[論文レビュー] Trajectory Forecasting on Temporal Graphs

Görkay Aydemir, Adil Kaan Akan+1 more|arXiv (Cornell University)|Jul 1, 2022

Autonomous Vehicle Technology and Safety被引用数 4

ひとこと要約

本論文は、時間的変化する交通シーンにおけるエージェントとシーン要因の間のダイナミックな相互作用をモデル化するための時系列グラフニューラルネットワーク（TGN）を提案する。エージェント固有のメモリモジュールとシーン全体のメモリモジュールを組み合わせることで、運動予測の性能を向上させる。時間的に変化するグラフ表現を学習し、ゴール条件付きの軌跡予測を用いることで、Argoverseベンチマークにおいて最先端の性能を達成し、検証セットおよびテストセットの両方でb-minFDEで2位、minADEおよびminFDEで上位3位を記録した。

ABSTRACT

Predicting future locations of agents in the scene is an important problem in self-driving. In recent years, there has been a significant progress in representing the scene and the agents in it. The interactions of agents with the scene and with each other are typically modeled with a Graph Neural Network. However, the graph structure is mostly static and fails to represent the temporal changes in highly dynamic scenes. In this work, we propose a temporal graph representation to better capture the dynamics in traffic scenes. We complement our representation with two types of memory modules; one focusing on the agent of interest and the other on the entire scene. This allows us to learn temporally-aware representations that can achieve good results even with simple regression of multiple futures. When combined with goal-conditioned prediction, we show better results that can reach the state-of-the-art performance on the Argoverse benchmark.

研究の動機と目的

• 静的グラフ表現が交通シーンの時間的ダイナミクスを捉えることの限界を是正すること。
• エージェントとシーン要因の間の時間的変化する相互作用をモデル化することで、運動予測の性能を向上させること。
• エージェントの注目対象とシーン全体に焦点を当てた二重メモリ機構を用いて、予測の正確性と多様性を向上させること。
• メトリクスに特化した最適化を施さずに、Argoverseベンチマークで最先端の性能を達成すること。

提案手法

• 各ノードがエージェントまたはシーン要因を表す動的時系列グラフを構築し、時間的相互作用に基づいてエッジを更新する。
• 時間軸に沿った時間的変化を明示的にモデル化しながら、グラフニューラルネットワークを用いてノード間で特徴を伝搬する。
• 注目エージェントの履歴および運動パターンを追跡するエージェント固有のメモリモジュールを導入する。
• シーン全体のダイナミクスと長距離依存関係を符号化するシーン全体のメモリモジュールを統合する。
• ゴール条件付き予測を用いて複数の将来の軌跡仮説を生成し、シーンメモリと運動コンテキストに基づいて予測を最適化する。
• 単純なマルチハイポセシス回帰損失を採用し、トレーニング中は予測軌跡の中で最も近いものにのみ監督を適用する。

実験結果

リサーチクエスチョン

• RQ1 時間的に変化する時系列グラフ表現が、動的交通シーンにおける運動予測を改善できるか？
• RQ2 エージェント中心の時系列モデリングと比較して、シーン全体の時間的ダイナミクスをモデル化することで、予測の正確性と多様性はどのように変化するか？
• RQ3 二重メモリモジュール（エージェント固有およびシーン全体）が、軌跡予測性能にどの程度寄与するか？
• RQ4 ゴール条件付き予測ヘッドは、終点の正確性を損なわず、モードカバレッジを向上させることができるか？

主な発見

• 提案手法は、Argoverseテストセットでb-minFDEが1.08を達成し、全手法の中で2位となった。
• 検証セットではminFDEが1.08、minADEが0.73を記録し、両指標で上位3位圏内に入った。
• 検証セットではMRが0.10を記録し、3位であったが、この指標に特化した最適化は施されていなかった。
• 定性的な結果から、時系列グラフ表現により、マップに適合した軌跡が得られ、特に交差点付近での速度追従性が向上した。
• ゴール条件付き予測により、モードカバレッジが顕著に向上し、単純な回帰では見逃される左折・右折の同時予測が可能になった。
• アブレーションスタディの結果、時間的変化するグラフ学習と二重メモリモジュールの両方が性能向上に不可欠であることが確認された。