[論文レビュー] Trajectory Prediction for Vehicle Conflict Identification at Intersections Using Sequence-to-Sequence Recurrent Neural Networks

Amr Abdelraouf, Mohamed Abdel‐Aty+2 more|arXiv (Cornell University)|Oct 13, 2022

Traffic and Road Safety被引用数 6

ひとこと要約

本論文では、交差点における車両軌道を最大3秒先まで予測するためのシーケンス・ツー・シーケンス再帰的ニューラルネットワーク（Seq2Seq RNN）を提案する。位置と進行方向の両方を用いることで、衝突検出における幾何的正確性を向上させる。本手法は、既存のモデルを上回り、車両のバウンディングボックスを中央点ではなく使用することで、衝突までの時間（TTC）の衝突同定精度が著しく向上することを示している。

ABSTRACT

Surrogate safety measures in the form of conflict indicators are indispensable components of the proactive traffic safety toolbox. Conflict indicators can be classified into past-trajectory-based conflicts and predicted-trajectory-based conflicts. While the calculation of the former class of conflicts is deterministic and unambiguous, the latter category is computed using predicted vehicle trajectories and is thus more stochastic. Consequently, the accuracy of prediction-based conflicts is contingent on the accuracy of the utilized trajectory prediction algorithm. Trajectory prediction can be a challenging task, particularly at intersections where vehicle maneuvers are diverse. Furthermore, due to limitations relating to the road user trajectory extraction pipelines, accurate geometric representation of vehicles during conflict analysis is a challenging task. Misrepresented geometries distort the real distances between vehicles under observation. In this research, a prediction-based conflict identification methodology was proposed. A sequence-to-sequence Recurrent Neural Network was developed to sequentially predict future vehicle trajectories for up to 3 seconds ahead. Furthermore, the proposed network was trained using the CitySim Dataset to forecast both future vehicle positions and headings to facilitate the prediction of future bounding boxes, thus maintaining accurate vehicle geometric representations. It was experimentally determined that the proposed method outperformed frequently used trajectory prediction models for conflict analysis at intersections. A comparison between Time-to-Collision (TTC) conflict identification using vehicle bounding boxes versus the commonly used vehicle center points for geometric representation was conducted. Compared to the bounding box method, the center point approach often failed to identify TTC conflicts or underestimated their severity.

研究の動機と目的

• 交差点における正確な予測に基づく衝突同定を可能にすることで、予防的交通セーフティを向上させること。
• 特に中央点ではなく完全なバウンディングボックスを用いる場合に生じる、衝突解析における車両の幾何的表現の不正確さという課題に対処すること。
• 位置と進行方向の両方を予測する軌道予測モデルを構築し、より現実的な将来的な車両バウンディングボックス推定を可能にすること。
• 幾何的表現が衝突までの時間（TTC）の衝突検出性能に与える影響を評価すること。
• 衝突同定の文脈において、既存の軌道予測手法と比較して、提案手法の性能をベンチマークすること。

提案手法

• 最大3秒先までの将来的な車両軌道（位置と進行方向を含む）を予測するためのシーケンス・ツー・シーケンス再帰的ニューラルネットワーク（Seq2Seq RNN）を訓練する。
• 本モデルは、交差点シナリオに適した高精細な車両運動データを提供するCitySimデータセットを用いて学習される。
• 予測された軌道を用いて、予測された位置と進行方向を組み合わせることで、将来的な車両バウンディングボックスを推定し、幾何的正確性を確保する。
• 本手法により、車両間の正確な空間的関係を維持することで、一貫性があり高精度な衝突検出が可能になる。
• 本モデルは、衝突までの時間（TTC）に基づく衝突同定フレームワークを用いて評価され、バウンディングボックスと中央点の両方を用いた結果を比較する。
• 本アーキテクチャは、交差点における複雑で多様な走行行動をモデル化するために、エンコーダ・デコーダ構造とアテンション機構を活用する。

実験結果

リサーチクエスチョン

• RQ1 Seq2Seq RNNを用いた軌道予測の正確性は、交差点シナリオにおいて既存のモデルと比較してどの程度優れているか？
• RQ2 中央点ではなく車両のバウンディングボックスを用いることで、衝突までの時間（TTC）の衝突検出にどの程度の向上が見られるか？
• RQ3 予測された将来的な車両軌道とバウンディングボックスを用いることで、本手法は信頼性を持って衝突イベントを同定できるか？
• RQ4 進行方向の予測を組み込むことで、衝突解析における将来的な車両位置の幾何的忠実性はどの程度向上するか？
• RQ5 幾何的表現の正確性が、交通衝突検出におけるサーロゲートセーフティ指標の信頼性に与える影響は何か？

主な発見

• 提案されたSeq2Seq RNNモデルは、交差点における将来的な車両軌道予測において、一般的に使用される軌道予測モデルを上回った。
• 衝突検出に車両のバウンディングボックスを用いることで、中央点ベースの手法と比較して、衝突までの時間（TTC）の衝突同定がより正確になった。
• 中央点アプローチは、幾何的不正確さのため、TTCの衝突を検出できなかったり、その深刻さを低く評価する傾向があった。
• 位置の予測に加えて進行方向の予測を統合することで、将来的な車両バウンディングボックス推定の現実性と正確性が向上した。
• 本モデルは、曲がり込みや合流行動を含む多様な交差点走行行動の予測において、頑健な性能を示した。
• 結果から、正確な幾何的表現が、予防的交通セーフティシステムにおける信頼性の高い衝突同定に不可欠であることが確認された。