[論文レビュー] Uncertainty-Aware Driver Trajectory Prediction at Urban Intersections

Xin Huang, Stephen G. McGill+3 more|arXiv (Cornell University)|Jan 16, 2019

Autonomous Vehicle Technology and Safety参考文献 29被引用数 11

ひとこと要約

本論文は、学習された信頼度推定器を用いて変動型深層ニューラルネットワークと物理ベースのオドメトリ予測器を統合する、信頼度認識・不確実性認識のトラジェクトリ予測フレームワークを提案する。リアルタイムの信頼度スコアに基づき、より信頼性の高い予測器を動的に選択することで、物理ベースのモデルと比較して予測誤差を25%低減し、3秒の予測期間において不確実な状況を82%の精度で特定する。

ABSTRACT

Predicting the motion of a driver's vehicle is crucial for advanced driving systems, enabling detection of potential risks towards shared control between the driver and automation systems. In this paper, we propose a variational neural network approach that predicts future driver trajectory distributions for the vehicle based on multiple sensors. Our predictor generates both a conditional variational distribution of future trajectories, as well as a confidence estimate for different time horizons. Our approach allows us to handle inherently uncertain situations, and reason about information gain from each input, as well as combine our model with additional predictors, creating a mixture of experts. We show how to augment the variational predictor with a physics-based predictor, and based on their confidence estimations, improve overall system performance. The resulting combined model is aware of the uncertainty associated with its predictions, which can help the vehicle autonomy to make decisions with more confidence. The model is validated on real-world urban driving data collected in multiple locations. This validation demonstrates that our approach improves the prediction error of a physics-based model by 25% while successfully identifying the uncertain cases with 82% accuracy.

研究の動機と目的

• 複数の可能な運転行動が想定される都市交差点におけるドライバーのトラジェクトリ予測において、高い不確実性が生じる課題に対処すること。
• 意思決定に不確実性推定を組み込むことで、安全に重点を置いた共有制御自動運転における予測精度を向上させること。
• 異なる時間スケールで、さまざまなトラジェクトリ予測器（例：DNN対比物理モデル）の信頼性を定量化する信頼度推定器を開発すること。
• 学習された信頼度に基づき、変動型DNNとオドメトリモデルというエキスパート予測器の間で動的に切り替えを可能にし、全体の予測の頑健性を向上させること。
• 実世界の都市走行データを用いてシステムを検証し、複雑な交差点シナリオにおいて、より高い精度と不確実性認識を実証すること。

提案手法

• 変動型ニューラルネットワークが、速度や加速度などのマルチモーダルセンサ入力を処理し、将来のトラジェクトリに関する条件付き変動分布を生成する。
• 別個の深層ニューラルネットワークを信頼度推定器として訓練し、異なる将来の時間スケールにおける各候補予測器（変動型DNNとオドメトリモデル）の信頼性を予測する。
• エキスパートの混合（mixture-of-experts）フレームワークにより、各タイムステップで信頼度スコアが最も高い予測器のトラジェクトリ予測を選択する。
• 信頼度推定器は、予測器間の真値誤差差分を用いて学習され、各モデルがいつより正確であるかを学習できる。
• 両方の予測器が閾値誤差（2.54 m）を超えるケースの割合を測定することで、不確実性を定量化する。
• 誤差と不確実性の指標を、0.1から3秒までの予測期間ごとに報告する。

実験結果

リサーチクエスチョン

• RQ1 都市交差点におけるドライバー行動の本質的不確実性を効果的にモデル化するには、どのようなアプローチが有効か？
• RQ2 学習された信頼度推定器は、トラジェクトリ予測において、深層ニューラルネットワークと物理ベースのモデルのどちらがより正確であるかを信頼性高く特定できるか？
• RQ3 信頼度スコアを用いて複数の予測器を統合することで、予測精度と不確実性認識がどの程度向上するか？
• RQ4 予測の不確実性は時間経過とともにどのように変化するか？また、システムは高不確実性状況を安全な意思決定を支援するために信頼性高く検出できるか？
• RQ5 複雑な走行シナリオにおいて、予測誤差を低減しつつ、不確実な予測の特定において高い信頼性を維持できるか？

主な発見

• エキスパートの混合予測器は、物理ベースのオドメトリモデルと比較して25%、変動型DNN単体と比較して23%の予測誤差低減を達成した。
• 信頼度推定器は、全テストサンプルの75%の確率でより優れた予測器を正しく特定した。
• 両方の予測器が2.54メートルを超える誤差を示したと定義される不確実なケースの82%を正確に特定し、深刻な誤予測のリスクを最小限に抑えた。
• 信頼度推定器は、不確実なケースのうち18%で不確実性を低く見積もったにとどまり、高リスク予測を信号する信頼性の高さを示した。
• 予測不確実性は1.4秒以降に著しく増加し、2.5秒を超えると不確実なケースの数が急激に増加した。
• 2.5秒を超える時間スケールにおいても、不確実なケースのうち10%しか低く見積もられなかったため、システムは不確実性推定に対して高い信頼性を維持した。