[論文レビュー] Short-term Motion Prediction of Traffic Actors for Autonomous Driving using Deep Convolutional Networks

Nemanja Djuric, Vladan Radosavljević+5 more|arXiv (Cornell University)|Aug 17, 2018

Autonomous Vehicle Technology and Safety被引用数 35

ひとこと要約

本論文では、交通参加者の周囲のラスタライズド画像を用いて短期的な運動を予測する深層畳み込みニューラルネットワークのアプローチを提案する。予測における不確実性を明示的にモデル化しており、実車両での実世界テストにより、ロバストでリアルタイムな運動予測が実現されている。

ABSTRACT

We address one of the crucial aspects necessary for safe and efficient operations of autonomous vehicles, namely predicting future state of traffic actors in the autonomous vehicle's surroundings. We introduce a deep learning-based approach that takes into account a current world state and produces raster images of each actor's vicinity. The rasters are then used as inputs to deep convolutional models to infer future movement of actors while also accounting for and capturing inherent uncertainty of the prediction task. Extensive experiments on real-world data strongly suggest benefits of the proposed approach. Moreover, following completion of the offline tests the system was successfully tested onboard self-driving vehicles.

研究の動機と目的

• 安全な自動運転車の運用を確保するため、交通参加者の未来の行動を予測するという重要な課題に取り組む。
• 従来のアプローチでしばしば無視されがちな、交通運動予測における固有の不確実性をモデル化する。
• ラスタライズドシーン表現からの空間的文脈を活用するスケーラブルでロバストな深層学習フレームワークを構築する。
• 搭載型自動運転システムへの導入に適したリアルタイム推論を可能にする。
• 実世界データを用いた評価を行い、車両搭載テストを通じてその有効性を実証する。

提案手法

• 各交通参加者の周辺状況を捉えるラスタ画像として現在の世界状態を表現し、空間的および文脈的情報を保持する。
• ラスタライズド入力を深層畳み込みニューラルネットワークに供給し、運動予測のための空間時間的特徴を抽出する。
• 確率的出力ヘッドを用いて、将来的な軌道の分布を予測し、予測における不確実性を明示的にモデル化する。
• 実世界のドライブデータを用いてエンドツーエンドで学習し、複雑な運動パターンと相互作用を学習する。
• ラスタ入力の逐次処理を通じて時系列モデリングを実装し、動的なシーンの変化を捉える。
• 正確でキャリブレーションが適切な不確実性推定を促進する微分可能損失関数を用いてモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みモデルは、ラスタライズドシーン表現を用いて交通参加者の短期的運動を効果的に予測できるか？
• RQ2 本モデルは、決定論的ベースラインと比較して、運動予測における不確実性をどれほど適切に捉え、表現できるか？
• RQ3 本手法は、実世界のドライブシナリオおよび搭載型デプロイメントに対してどの程度一般化可能か？
• RQ4 予測精度および不確実性キャリブレーションの観点から、最先端のアプローチと比較して、本モデルの性能はどの程度か？

主な発見

• 提案手法は、実世界のドライブデータにおいて、ベースラインモデルと比較して優れた運動予測精度を達成した。
• モデルは予測における不確実性を明示的に捉えており、適切にキャリブレーションされた信頼性の高い推定値を提供した。
• 実世界の条件下で自車両に搭載して運用した際、本システムはロバストで信頼性が高いことを示した。
• ラスタライズド入力表現は空間的文脈を効果的に保持しており、予測性能の向上に寄与した。
• リアルタイム推論が可能であり、車両搭載への適用に適している。
• 広範なオフラインテストおよび道路走行での検証により、本手法の自動運転システムにおける実用的妥当性が確認された。