[論文レビュー] Socially Aware Kalman Neural Networks for Trajectory Prediction

Ce Ju, Zheng Wang+1 more|arXiv (Cornell University)|Sep 14, 2018

Autonomous Vehicle Technology and Safety参考文献 14被引用数 4

ひとこと要約

本稿では、交通の複雑なダイナミクスをモデル化するために、相互作用とカルマンフィルタリング層を統合したデータ駆動型アーキテクチャであるSocially Aware Kalman Neural Networks (SAKNN)を提案する。センサ入力を活用することで、NGSIMデータセットにおいて、信号対雑音比を著しく向上させ、長期予測で最先端の性能を達成する。

ABSTRACT

Trajectory prediction is a critical technique in the navigation of robots and autonomous vehicles. However, the complex traffic and dynamic uncertainties yield challenges in the effectiveness and robustness in modeling. We purpose a data-driven approach socially aware Kalman neural networks (SAKNN) where the interaction layer and the Kalman layer are embedded in the architecture, resulting in a class of architectures with huge potential to directly learn from high variance sensor input and robustly generate low variance outcomes. The evaluation of our approach on NGSIM dataset demonstrates that SAKNN performs state-of-the-art on prediction effectiveness in a relatively long-term horizon and significantly improves the signal-to-noise ratio of the predicted signal.

研究の動機と目的

• 動的で不確実性の高い交通環境におけるロバストで効果的な軌道予測の課題に対処すること。
• 社会的相互作用をモデル化し、センサデータのノイズを低減させることで、長期予測性能を向上させること。
• 高分散のセンサ入力から直接学習することができるニューラルネットワークアーキテクチャを構築すること。
• 統合されたカルマンフィルタリングを通じて、予測軌道の信号対雑音比を向上させること。

提案手法

• SAKNNアーキテクチャは、交通環境におけるエージェント間の社会的依存関係をモデル化するための相互作用層を埋め込んでいる。
• ノイズの多いセンサ入力をフィルタリングし、時間経過に伴う予測を安定化させるためにカルマン層が統合されている。
• 高分散のセンサデータ上で、データ駆動型のアプローチを用いてエンドツーエンドでモデルを訓練している。
• 相互作用層とカルマン層を共同最適化することで、予測の正確性とロバスト性を向上させている。
• 高分散の入力信号に対しても低分散の出力を生成するようにアーキテクチャが設計されている。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークアーキテクチャは、動的交通環境における社会的相互作用を効果的にモデル化できるか？
• RQ2 カルマンフィルタリングを統合することで、軌道予測のロバスト性と信号対雑音比はどのように向上するか？
• RQ3 SAKNNは、従来の手法に比べて、長期的軌道予測においてどの程度優れているか？
• RQ4 本モデルは、高入力分散を示す多様な交通シナリオに一般化可能か？

主な発見

• SAKNNはNGSIMデータセットにおいて、長期的軌道予測で最先端のパフォーマンスを達成した。
• ベースライン手法と比較して、予測軌道の信号対雑音比が顕著に向上した。
• カルマン層の統合により、出力分散が低減された一方で、予測の正確性は維持された。
• 高分散のセンサ入力から効果的に学習し、安定的で信頼性の高い予測を生成することができた。