[論文レビュー] Transferable and Adaptable Driving Behavior Prediction

Letian Wang, Yeping Hu+4 more|arXiv (Cornell University)|Feb 10, 2022

Autonomous Vehicle Technology and Safety被引用数 20

ひとこと要約

HATNを提案する。階層的で移転可能かつ適応可能な運転挙動予測フレームワークであり、高レベルのセマンティックグラフベースの意図モデルと低レベルの軌跡生成器、オンライン適応モジュールを組み合わせる。

ABSTRACT

While autonomous vehicles still struggle to solve challenging situations during on-road driving, humans have long mastered the essence of driving with efficient, transferable, and adaptable driving capability. By mimicking humans' cognition model and semantic understanding during driving, we propose HATN, a hierarchical framework to generate high-quality, transferable, and adaptable predictions for driving behaviors in multi-agent dense-traffic environments. Our hierarchical method consists of a high-level intention identification policy and a low-level trajectory generation policy. We introduce a novel semantic sub-task definition and generic state representation for each sub-task. With these techniques, the hierarchical framework is transferable across different driving scenarios. Besides, our model is able to capture variations of driving behaviors among individuals and scenarios by an online adaptation module. We demonstrate our algorithms in the task of trajectory prediction for real traffic data at intersections and roundabouts from the INTERACTION dataset. Through extensive numerical studies, it is evident that our method significantly outperformed other methods in terms of prediction accuracy, transferability, and adaptability. Pushing the state-of-the-art performance by a considerable margin, we also provide a cognitive view of understanding the driving behavior behind such improvement. We highlight that in the future, more research attention and effort are deserved for transferability and adaptability. It is not only due to the promising performance elevation of prediction and planning algorithms, but more fundamentally, they are crucial for the scalable and general deployment of autonomous vehicles.

研究の動機と目的

• 人間の階層的認知（高レベルのスロット挿入と低レベルの軌跡追跡）を動機づけ、さまざまなシナリオ間の予測転送性を向上させるモデルを作成する。
• シナリオ転送をサポートするコンパクトで汎用的な表現（Dynamic Insertion Areasを備えたSemantic Graph）を開発する。
• オンライン適応を組み込み、個人およびシナリオ固有の挙動変動を捉える。
• 実交通データ（INTERACTIONデータセット）で予測精度、転送性、適応性の優位性を実証する。

提案手法

• HATN（Hierarchical Adaptable and Transferable Network）を三つの構成要素で導入する：高レベルの意図推定用Semantic Graph Network（SGN）、低レベルの軌跡生成用Encoder-Decoder Network（EDN）、MEKFλを用いたオンライン適応モジュール（OA）。
• 走行シーンをDynamic Insertion Areas（DIA）をグラフノードとして表現し、意図とゴール状態分布を導く。
• SGNはDIAの挿入確率w_tとガウス混合モデルを介してゴール状態分布g_tを出力する。
• EDNは過去のダイナミクスS_{t-T_h:t}と意図信号g_tに条件付けて将来の軌跡を生成する。
• OAはEDNパラメータθをオンラインで適応させ、予測誤差を最小化する。MEKFλを用いる。
• 高レベルの問題をY_{t+1:t+T_f} = f_HATN(O_{t-T_h:t})として予測する形式で定式化する。

実験結果

リサーチクエスチョン

• RQ1 階層的で意味的に根拠づけられた表現が、交差点やラウンドアバウトなどの運転シナリオをゼロショット転送可能にするか？
• RQ2 オンライン適応は運転挙動予測の個別化とシナリオ転送性を改善するか？
• RQ3 Semantic Graphs with Dynamic Insertion Areasは、意図と軌跡予測の両方において相互作用の豊かな運転状況を効果的に捉えるか？
• RQ4 提案フレームワークは、予測精度、転送性、適応性の点で実世界データ上の最先端手法と比較してどうか？

主な発見

• HATNフレームワークは、高レベルの意図と低レベルの軌跡生成を分離することで予測品質を向上させる。
• Dynamic Insertion Areasを備えたSemantic Graphは、シナリオに依存しないコンパクトな表現を提供し、シナリオ間の転送をサポートする。
• MEKFλによるオンライン適応はEDNパラメータをオンラインで更新することで個人およびシナリオへの適応性を向上させる。
• INTERACTIONデータセットでの実験は、精度、転送性、および適応性の点でベースラインを上回ることを示す（豊富なアブレーションを含む）。
• 本論文は、階層的で移転可能かつ適応的な設計が、密集した交通での運転挙動予測をより良くするという認知的解釈を提供する。