[論文レビュー] Spatial-Channel Transformer Network for Trajectory Prediction on the Traffic Scenes

Jingwen Zhao, Xuanpeng Li+2 more|arXiv (Cornell University)|Jan 27, 2021

Autonomous Vehicle Technology and Safety参考文献 19被引用数 10

ひとこと要約

本稿では、トラフィックシーンにおけるエージェント間の空間的・時間的依存関係および社会的相互作用をモデル化するために自己注意メカニズムを活用する空間チャネル変換器ネットワーク（SCTN）を提案する。チャネル別注意モジュールを統合し、RNNを変換器に置き換えることで、SCTNは現実世界の軌跡予測ベンチマークで最先端の性能を達成した。

ABSTRACT

Predicting motion of surrounding agents is critical to real-world applications of tactical path planning for autonomous driving. Due to the complex temporal dependencies and social interactions of agents, on-line trajectory prediction is a challenging task. With the development of attention mechanism in recent years, transformer model has been applied in natural language sequence processing first and then image processing. In this paper, we present a Spatial-Channel Transformer Network for trajectory prediction with attention functions. Instead of RNN models, we employ transformer model to capture the spatial-temporal features of agents. A channel-wise module is inserted to measure the social interaction between agents. We find that the Spatial-Channel Transformer Network achieves promising results on real-world trajectory prediction datasets on the traffic scenes.

研究の動機と目的

• 動的で複雑なトラフィックシーンにおける社会的相互作用を伴う軌跡の予測という課題に対処すること。
• RNNベースのモデルが長距離時間的依存関係およびエージェント相互作用を捉えることの制限を克服すること。
• エージェント間の空間的およびチャネル別相互作用を明示的にモデル化する新しい変換器ベースのアーキテクチャを導入すること。
• 空間的およびチャネル的次元における自己注意メカニズムを活用することで、軌跡予測の精度を向上させること。
• 提案されたモデルが現実世界のトラフィック軌跡データセットにおいて有効であることを示すこと。

提案手法

• エージェント軌跡における長距離時間的依存関係をモデル化するために、従来のRNNを変換器エンコーダに置き換える。
• エージェントの空間的位置とチャネル特徴の両方に対して注意を計算する空間的・チャネル的注意メカニズムを導入する。
• 軌跡シーケンスに対して多頭部自己注意を適用し、エージェント間の動的相互作用を捉える。
• チャネル別注意を用いて社会的相互作用を測定・重み付けし、エージェント関係のモデル化を強化する。
• 位置エンコーディングを用いてシーケンス順序を保持する共有変換器エンコーダを介してエージェント特徴を処理する。
• 平均二乗誤差損失を用いたシーケンス・トゥ・シーケンス予測目的に基づき、モデルをエンド・ツー・エンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 変換器ベースのアーキテクチャは、複雑なトラフィックシーンにおける軌跡予測においてRNNベースのモデルを上回ることができるか？
• RQ2 空間的・チャネル的注意は、複数エージェント間の社会的相互作用をどの程度効果的に捉えることができるか？
• RQ3 チャネル別注意の統合により、標準的な注意メカニズムと比較して軌跡予測の精度が向上するか？
• RQ4 多様なエージェント行動を示す現実世界のトラフィック軌跡データセットに対して、モデルはどの程度一般化可能か？
• RQ5 提案されたアーキテクチャは、安定した性能を維持しながら長時間予測を処理できるか？

主な発見

• 空間チャネル変換器ネットワーク（SCTN）は、現実世界の軌跡予測ベンチマークで最先端の性能を達成した。
• 特に長時間予測において、RNNベースのベースラインを上回る予測精度を示した。
• チャネル別注意の導入により、エージェント間の社会的相互作用のモデル化が顕著に向上した。
• 変換器ベースのアーキテクチャは、エージェント運動シーケンスにおける長距離時間的依存関係を効果的に捉えた。
• 複雑なエージェント相互作用を伴う多様なトラフィックシーンにおいて、モデルは頑健性と一般化性能を示した。
• 定量的結果から、標準データセットにおいて先行手法と比較して平均移動誤差および最終移動誤差が改善された。