[論文レビュー] TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents

Yuexin Ma, Xinge Zhu+4 more|arXiv (Cornell University)|Nov 6, 2018

Autonomous Vehicle Technology and Safety参考文献 19被引用数 72

ひとこと要約

TrafficPredict は4Dグラフ上で2層のLSTMを用い、異種交通エージェント（歩行者、自転車、車）の軌道を予測し、新しい都市データセットで従来法より約20%の精度向上を示す。

ABSTRACT

To safely and efficiently navigate in complex urban traffic, autonomous vehicles must make responsible predictions in relation to surrounding traffic-agents (vehicles, bicycles, pedestrians, etc.). A challenging and critical task is to explore the movement patterns of different traffic-agents and predict their future trajectories accurately to help the autonomous vehicle make reasonable navigation decision. To solve this problem, we propose a long short-term memory-based (LSTM-based) realtime traffic prediction algorithm, TrafficPredict. Our approach uses an instance layer to learn instances' movements and interactions and has a category layer to learn the similarities of instances belonging to the same type to refine the prediction. In order to evaluate its performance, we collected trajectory datasets in a large city consisting of varying conditions and traffic densities. The dataset includes many challenging scenarios where vehicles, bicycles, and pedestrians move among one another. We evaluate the performance of TrafficPredict on our new dataset and highlight its higher accuracy for trajectory prediction by comparing with prior prediction methods.

研究の動機と目的

• 都市交通における異種エージェント（車、自転車、歩行者）に対する安全なナビゲーションを動機付ける。
• エージェント間の相互作用とカテゴリレベルの運動類似性を考慮した統一的な軌道予測フレームワークを開発する。
• 多様な交通相互作用を含む新しい都市軌道データセットを収集し、予測精度を評価する。

提案手法

• 交通シーケンスをノードが交通インスタンスとカテゴリを表す4Dグラフとしてモデル化する。
• インスタンス層のLSTMを用いてマイクロレベルの動きとエッジを介した空間・時間的相互作用を捉える。
• 同一エージェント種別内の運動類似性を学習し予測を誘導するスーパー-ノードを備えたカテゴリ層を導入する。
• カテゴリ層に自己注意機構を適用して履歴パターンとカテゴリ間差異を捉える。
• 将来位置をガウス分布として予測し、全軌道に対して負の対数尤度損失で学習する。
• 両層および全グラフエッジを逆伝播してエンドツーエンドの訓練を実現する。

実験結果

リサーチクエスチョン

• RQ1 異種交通を単一の統一フレームワークで軌道予測として効果的にモデル化できるか。
• RQ2 カテゴリレベル（タイプベース）の運動類似性は多様なエージェント種別の予測精度を向上させるか。
• RQ3 空間的・時間的なエージェント間相互作用は都市部の将来軌道推定にどう影響するか。
• RQ4 カテゴリ層と自己注意を含めることは、インスタンスのみのモデルと比較して予測精度にどのような影響を与えるか。

主な発見

指標	手法	ED	SL	SA	TP-NoCL	TP-NoSA	TrafficPredict
平均表示変位誤差（全エージェント）	歩行者	0.121	0.135	0.112	0.125	0.118	0.091
平均表示変位誤差（全エージェント）	自転車	0.112	0.142	0.111	0.115	0.110	0.083
平均表示変位誤差（全エージェント）	車両	0.122	0.147	0.108	0.101	0.096	0.080
平均表示変位誤差（全エージェント）	合計	0.120	0.145	0.110	0.113	0.108	0.085
最終表示変位誤差（全エージェント）	歩行者	0.255	0.173	0.160	0.188	0.178	0.150
最終表示変位誤差（全エージェント）	自転車	0.190	0.184	0.170	0.193	0.169	0.139
最終表示変位誤差（全エージェント）	車両	0.195	0.202	0.189	0.172	0.150	0.131
最終表示変位誤差（全エージェント）	合計	0.214	0.198	0.178	0.187	0.165	0.141

• TrafficPredict は新しい異種交通データセットで従来法より約20%の精度向上を達成。
• 4Dグラフはマイクロ（インスタンスレベル）およびマクロ（カテゴリレベル）のダイナミクスを捉え、予測を改善する。
• 自己注意を備えたカテゴリレイヤは、特に同様の動きをするエージェントのモデリングで大きな利得を提供。
• アブレーション研究によりTP-NoCLとTP-NoSAが劣ることが示され、カテゴリ層学習と自己注意の価値を裏付ける。
• モデルは単一CPUコアでリアルタイム実行され、位置予測はガウス分布ベース。
• この手法は平均誤差と最終変位誤差のいずれにおいてもRNNエンコーダ-デコーダ、Social LSTM、Social Attentionのベースラインを上回る。