[論文レビュー] Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction

Yeping Hu, Wei Zhan+1 more|arXiv (Cornell University)|Apr 7, 2020

Autonomous Vehicle Technology and Safety参考文献 59被引用数 17

ひとこと要約

本稿では、自律走行における相互作用を考慮した確率的予測のための、シナリオ転送可能なセマンティックグラフ推論フレームワークを提案する。ドメイン知識とセマンティクスを活用して一般化可能でドメイン不変な環境表現を構築し、それを空間的・時間的セマンティックグラフとしてモデル化することで、再トレーニングなしに多様な走行シナリオにわたって強力なゼロショット転送性を実現し、最先端の予測性能を達成する。

ABSTRACT

Accurately predicting the possible behaviors of traffic participants is an essential capability for autonomous vehicles. Since autonomous vehicles need to navigate in dynamically changing environments, they are expected to make accurate predictions regardless of where they are and what driving circumstances they encountered. Several methodologies have been proposed to solve prediction problems under different traffic situations. These works usually combine agent trajectories with either color-coded or vectorized high definition (HD) map as input representations and encode this information for behavior prediction tasks. However, not all the information is relevant in the scene for the forecasting and such irrelevant information may be even distracting to the forecasting in certain situations. Therefore, in this paper, we propose a novel generic representation for various driving environments by taking the advantage of semantics and domain knowledge. Using semantics enables situations to be modeled in a uniform way and applying domain knowledge filters out unrelated elements to target vehicle's future behaviors. We then propose a general semantic behavior prediction framework to effectively utilize these representations by formulating them into spatial-temporal semantic graphs and reasoning internal relations among these graphs. We theoretically and empirically validate the proposed framework under highly interactive and complex scenarios, demonstrating that our method not only achieves state-of-the-art performance, but also processes desirable zero-shot transferability.

研究の動機と目的

• ドメイン知識を用いて関連するセマンティクスおよび構造的情報を捉え、不要な要素を除外する、一般化可能でシナリオに依存しない走行環境の表現を開発すること。
• 異なる道路構造、交通ルール、エージェント相互作用を有する多様で未知の走行シナリオにわたる予測モデルの一般化の課題に対処すること。
• 再トレーニングやデータ収集なしに、訓練済みの予測モデルを新しい環境にゼロショットで転送可能にする仕組みを実現すること。
• 空間的・時間的関係をセマンティックグラフでモデル化することで、複雑で相互作用的な都市部シナリオにおける予測の正確性と信頼性を向上させること。

提案手法

• 本手法は、セマンティクスとドメイン知識を用いて静的（HDマップ）および動的（エージェント軌跡）なシーン要素をフィルタリング・エンコードし、統一的かつ解釈可能なフォーマットに変換する汎用的表現抽出モジュールを導入する。
• 環境表現を2次元／3次元の空間的・時間的セマンティックグラフ（SG）として定式化し、ノードがセマンティックゴール（例：レーン変更、曲がり角）を表し、エッジがエージェントとシーン要素間の関係的依存性を符号化する。
• グラフネットワークの誘導的バイアス（順列不変性および関係的推論）を活用して、セマンティックグラフ内の内部構造的関係を推論するセマンティックグラフネットワーク（SGN）を設計する。
• フレームワークはセマンティックグラフを処理するためのグラフニューラルネットワークを用い、構造的セマンティック入力を用いたエンドツーエンドの相互作用を考慮した行動予測の学習を可能にする。
• モデルは多様なシナリオでエンドツーエンドにトレーニングされ、既知のドメイン（例：8方向の円形交差点）から未知のドメイン（例：信号のないT字路）へのゼロショット転送性を評価する。
• t-SNEによるノード特徴の可視化によりドメイン不変性が検証され、異なる道路タイプや交通状況においても特徴分布の高い重なりが確認された。

実験結果

リサーチクエスチョン

• RQ1 多様な交通シナリオおよび道路構造にわたって不変となる、一般化可能でセマンティクスに基づく走行環境表現を構築できるか？
• RQ2 セマンティックグラフ推論は、動的交通環境における複雑で相互作用的なエージェント行動を効果的にモデル化できるか？
• RQ3 提案されたフレームワークは、最先端の予測性能を達成するとともに、未知の走行シナリオへのゼロショット転送性を実現できるか？
• RQ4 ドメイン不変な表現は、異なる交通規制やエージェント相互作用パターンの下での一般化をどの程度向上させるか？

主な発見

• 提案手法は、複数のベンチマークシナリオにおいて、予測精度と信頼区間カバレッジの両面で最先端の性能を達成した。
• モデルは強力なゼロショット転送性を示し、8方向の円形交差点でトレーニングしたモデルが、信号のないT字路で再トレーニングなしに正常に推論を実行できた。
• t-SNE可視化により、汎用的なセマンティック表現が高いドメイン不変性を示しており、異なる道路タイプ間で特徴分布の顕著な重なりが確認された。
• セマンティックグラフ推論機構により、入力エージェントおよびシーン要素の数や順序の変動に対しても順列不変性と高いロバスト性が実現された。
• 複雑で相互作用的な都市部シナリオにおいて、予測誤差と不確実性のキャリブレーションの両面で、7つのベースライン手法を上回る性能を発揮した。