[論文レビュー] TPPO: A Novel Trajectory Predictor with Pseudo Oracle

Biao Yang, He, Caizhen+4 more|arXiv (Cornell University)|Feb 4, 2020

Autonomous Vehicle Technology and Safety参考文献 40被引用数 8

ひとこと要約

TPPOは、真の軌道から推定された歩行者の移動方向と潜在変数分布という2つの疑似オラクルを活用することで、マルチモーダルで社会的に配慮した軌道予測を向上させる、新しい生成型軌道予測モデルである。社会的注意モジュールと、観測済み軌道と真の軌道の間の分布ギャップを最小化する潜在変数予測器を統合することで、ベンチマークデータセットにおいて平均誤差および最終誤差が低く、最先端の性能を達成している。

ABSTRACT

Forecasting pedestrian trajectories in dynamic scenes remains a critical problem in various applications, such as autonomous driving and socially aware robots. Such forecasting is challenging due to human-human and human-object interactions and future uncertainties caused by human randomness. Generative model-based methods handle future uncertainties by sampling a latent variable. However, few studies explored the generation of the latent variable. In this work, we propose the Trajectory Predictor with Pseudo Oracle (TPPO), which is a generative model-based trajectory predictor. The first pseudo oracle is pedestrians' moving directions, and the second one is the latent variable estimated from ground truth trajectories. A social attention module is used to aggregate neighbors' interactions based on the correlation between pedestrians' moving directions and future trajectories. This correlation is inspired by the fact that pedestrians' future trajectories are often influenced by pedestrians in front. A latent variable predictor is proposed to estimate latent variable distributions from observed and ground-truth trajectories. Moreover, the gap between these two distributions is minimized during training. Therefore, the latent variable predictor can estimate the latent variable from observed trajectories to approximate that estimated from ground-truth trajectories. We compare the performance of TPPO with related methods on several public datasets. Results demonstrate that TPPO outperforms state-of-the-art methods with low average and final displacement errors. The ablation study shows that the prediction performance will not dramatically decrease as sampling times decline during tests.

研究の動機と目的

• 動的歩行者シーンにおける人間同士および人間と物体の相互作用をモデル化する課題に対処すること。
• 頭方向を近似するために歩行者の移動方向を疑似オラクルとして活用することで、軌道予測の精度を向上させること。
• 観測済み軌道と真の軌道の両方から得られるデータ駆動型の潜在分布を学習することで、ランダムなガウスノイズに依存するのを減らすこと。
• 観測済み軌道から推定した潜在変数と真の軌道から導出された分布とのギャップを最小化することで、予測のロバスト性を高めること。
• 低サンプリング依存性と最小限の計算オーバーヘッドで、正確で多様性があり、社会的に許容可能な軌道予測を可能にすること。

提案手法

• LSTMベースのエンコーダデコーダを用いた軌道生成と、LSTMベースのエンコーダを用いた本物/偽物軌道の識別を行う生成対抗フレームワークを提案する。
• 歩行者の移動方向を疑似オラクルとして用い、将来の軌道との方向相関に基づいて相互作用をモデル化する社会的注意モジュールを導入する。
• 観測済み軌道から潜在変数分布を推定する潜在変数予測器を設計し、真の軌道から導出された分布とのギャップを最小化する。
• 予測された潜在変数にランダムなガウスノイズを注入することで、未来の不確実性をモデル化し、マルチモーダルな出力を生成する。
• 予測軌道の現実性と多様性を向上させるために、敵対的訓練を実施する。
• 運動方向の変化を捉え、局所的軌道ダイナミクスを改善するためのマルチレベルビジョンペルセプション（MLVP）モジュールを用いる。

実験結果

リサーチクエスチョン

• RQ1 歩行者の移動方向は、社会的相互作用をモデル化することで、軌道予測を改善する有効な疑似オラクルとして機能するか？
• RQ2 真の軌道から得られる分布を模倣する学習済み潜在変数予測器は、ランダムノイズと比較して予測精度を向上させるか？
• RQ3 疑似オラクルと潜在変数学習の統合は、異なるサンプリング時間において予測性能にどのように影響するか？
• RQ4 混雑または複雑な社会的相互作用のシナリオにおいて、モデルは正確性と多様性をどの程度維持できるか？
• RQ5 提案手法は、最小限の計算オーバーヘッドと低サンプリング依存性で最先端の結果を達成できるか？

主な発見

• TPPOはETH、HOTEL、ZARA1、ZARA2の各データセットで最先端の性能を達成し、平均誤差（ADE）および最終誤差（FDE）の両面で既存手法を上回っている。
• アブレーションスタディの結果、サンプリング時間の短縮に対しても予測性能が安定していることが確認され、ロバスト性と効率性が裏付けられた。
• 社会的注意モジュールにより、前方の歩行者と将来の運動との方向相関を活用することで、予測精度が顕著に向上した。
• 潜在変数予測器により、観測済みと真の軌道の潜在変数分布のギャップが効果的に低減され、より正確で多様な軌道生成が実現した。
• 密度マップから、TPPOは実際の歩行者同士の相互作用（障害物回避や他の歩行者を避けながらの移動など）を反映した社会的に許容可能なマルチモーダルな軌道を生成していることが示された。
• 計算オーバーヘッドが最小限に抑えられているため、自律走行ロボットや自律システムにおけるリアルタイム配備に適している。