[論文レビュー] Trajectory Prediction using Equivariant Continuous Convolution

Robin Walters, Jinxi Li+1 more|arXiv (Cornell University)|Oct 21, 2020

Autonomous Vehicle Technology and Safety参考文献 50被引用数 5

ひとこと要約

本稿では、軌跡予測のための回転等長性を備えた連続畳み込みニューラルネットワークであるECCOを紹介する。物理的対称性をモデルアーキテクチャに組み込むことで、ArgoverseおよびTrajNet++データセット上で、大幅に少ないパラメータ数、優れたサンプル効率、回転されたシーンにおいても物理的に一貫した予測を達成する。

ABSTRACT

Trajectory prediction is a critical part of many AI applications, for example, the safe operation of autonomous vehicles. However, current methods are prone to making inconsistent and physically unrealistic predictions. We leverage insights from fluid dynamics to overcome this limitation by considering internal symmetry in real-world trajectories. We propose a novel model, Equivariant Continous COnvolution (ECCO) for improved trajectory prediction. ECCO uses rotationally-equivariant continuous convolutions to embed the symmetries of the system. On both vehicle and pedestrian trajectory datasets, ECCO attains competitive accuracy with significantly fewer parameters. It is also more sample efficient, generalizing automatically from few data points in any orientation. Lastly, ECCO improves generalization with equivariance, resulting in more physically consistent predictions. Our method provides a fresh perspective towards increasing trust and transparency in deep learning models.

研究の動機と目的

• 既存の軌跡予測モデルにおける物理的一致性の欠如と一般化性能の低さ、特に回転変換下での問題を解決すること。
• 回転対称性を帰納的バイアスとして組み込むことで、大規模なデータオーグメンテーションに依存することを減らし、サンプル効率を向上させること。
• 等長的重み共有と連続畳み込みを用いて、パラメータ数を削減しながらも予測精度を維持または向上させること。
• 既知の物理的対称性（相互作用の回転不変性、速度の等長性など）を埋め込むことで、ディープラーニングモデルへの信頼性を高めること。
• 等長性が、例えばシーンの回転といった共変量シフト下でも、より優れた一般化性能とロバストネスをもたらすことを実証すること。

提案手法

• ECCOは、軌跡の点群表現に対して作用する連続畳み込み層を採用し、離散畳み込みを連続空間ドメインに一般化する。
• 回軌道分解と極座標インデックス付きフィルタを基盤とする、新しい重み共有方式を用いて回転等長性を強制する。
• 回転群SO(2)の標準的および正則表現の両方に対して等長性を実装し、回転下での特徴の変換の一貫性を保証する。
• トーラスベースのカーネルパラメータライゼーションを用いることで、等長性の離散化誤差を最小限に抑え、数値的安定性を向上させる。
• 将来の軌跡座標に対する標準的な回帰損失を用いて、エンドツーエンドに学習し、群等長畳み込み演算によって等長性を強制する。
• ECCOは、自己回帰モデルとは異なり、すべてのエージェントを同時に処理するため、効率的な連合予測が可能となり、相互作用のモデリングが向上する。

実験結果

リサーチクエスチョン

• RQ1 回転等長性は、モデルの複雑さを増さずに、軌跡予測における一般化性能とサンプル効率を向上させることができるか？
• RQ2 入力シーンが回転された場合、特に共変量シフトを伴う現実世界のシナリオにおいて、等長性が予測の一貫性に与える影響は何か？
• RQ3 極座標フィルタを用いた連続畳み込みは、標準的手法と比較して、等長性の離散化誤差をどの程度低減できるか？
• RQ4 物理的対称性を組み込むことで、回転下でも一貫した旋回行動が得られるような、より物理的に妥当な予測が可能になるか？
• RQ5 対称性の帰納的バイアスを組み込むことで、パラメータ数を減らしても、ベンチマークデータセット上で競争力ある性能を達成できるか？

主な発見

• ECCOは、ArgoverseおよびTrajNet++データセットにおいて、VectorNet や CtsConv といった最先端モデルと同等またはそれ以上の予測精度を達成し、大幅に少ないパラメータ数を実現した。
• ECCOは、非等長モデル（CtsConv や VectorNet）と比較して、パラメータ数を最大90％まで削減しながら、性能を維持または向上させた。
• モデルは優れたサンプル効率を示し、学習曲線から示されるように、少ない訓練サンプルでより速く収束し、より良い検証性能を達成した。
• ECCOの予測は回転下でも物理的に一貫している：元のシーンにおける右折は回転後も右折のまま維持されるが、非等長モデルとは異なり、一貫性のない旋回が生じない。
• 実行時間とメモリ使用量も優れており、30台の車両が存在するシーンでは、ECCOは1.03 GFLOPs、296 MBのメモリを使用した。これは、すべてのエージェントを同時に予測しているにもかかわらず、VectorNetの1.23 GFLOPs、171 MBを上回る性能を示した。
• 理論的および実験的分析により、極座標インデックス付きフィルタが、等長性の離散化誤差を低減し、モデルの対称性保存性を向上させることを確認した。