[論文レビュー] Uncertainty-aware Short-term Motion Prediction of Traffic Actors for Autonomous Driving

Nemanja Djuric, Vladan Radosavljević+6 more|arXiv (Cornell University)|Aug 17, 2018

Autonomous Vehicle Technology and Safety参考文献 51被引用数 38

ひとこと要約

本稿では、交通状況のラスタライズド・バーチャル・アングル表現を用いて、車両の短期的軌道を予測するとともに、不確実性を明示的にモデル化するディープラーニング手法を提案する。実世界のデータで訓練されたこの手法は、正確でキャリブレーションのとれた予測を達成し、自律走行車両での実証実験でも成功裏に検証され、従来のカルマンフィルターベースラインに比べてより高いロバスト性を示した。

ABSTRACT

We address one of the crucial aspects necessary for safe and efficient operations of autonomous vehicles, namely predicting future state of traffic actors in the autonomous vehicle's surroundings. We introduce a deep learning-based approach that takes into account a current world state and produces raster images of each actor's vicinity. The rasters are then used as inputs to deep convolutional models to infer future movement of actors while also accounting for and capturing inherent uncertainty of the prediction task. Extensive experiments on real-world data strongly suggest benefits of the proposed approach. Moreover, following completion of the offline tests the system was successfully tested onboard self-driving vehicles.

研究の動機と目的

• 周囲の交通参加者に対する短期的軌道予測を高精度に実現することで、自律走行車両の安全性と信頼性を向上させること。
• 交通運動に内在する不確実性に対処するため、予測におけるエピステミック不確実性とアレアトリック不確実性の両方をモデル化すること。
• 高精細地図とセンサデータを活用した、スケーラブルでエンドツーエンドのディープラーニングフレームワークを構築すること。
• オフライン評価と自律走行車両での路上テストを通じて、実世界の条件下での手法の妥当性を検証すること。

提案手法

• 関心のある交通参加者を対象に、レーン、車両、地図特徴などを含む周囲環境を、バーチャル・アングル画像にラスタライズする。
• ディープ畳み込みニューラルネットワーク（CNN）、特にMobileNetV2が、ラスタライズド入力を処理し、将来の軌道と関連する不確実性を予測する。
• モデルは将来の軌道の点推定と予測分散の両方を出力し、不確信度を考慮した意思決定を可能にする。
• 不確実性は学習された分散ヘッドを用いてモデル化され、ネットワークが入力コンテキストに基づいて予測の信頼性を推定できるようにする。
• 損失関数を最適化することで、エンドツーエンドで実世界の自律走行車両データセット上で訓練され、軌道の正確性と不確実性のキャリブレーションの両方を向上させる。
• オクルージョンマップを用いた感度分析により、モデルがオンコムイングレーン、横断歩道、近隣の車両といった重要なシーン領域に依存していることが判明した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、どのようにシーンコンテキストと不確実性を効果的に統合し、自律走行車両における短期的運動予測を改善できるか？
• RQ2 ラスタライズド入力表現は、生のセンサデータや状態ベースの入力と比較して、軌道予測精度をどの程度向上させるか？
• RQ3 学習された不確実性を有するディープラーニングモデルは、複雑で動的な交通状況において、従来の運動モデル（UKF）を上回ることができるか？
• RQ4 モデルは、曖昧な運転行動やマルチモーダル行動を含む実世界の走行状況にどの程度一般化できるか？

主な発見

• 提案されたモデルは、UKFベースラインと比較して顕著に低い変位誤差を達成し、全予測ホライズンで平均変位誤差が25%低減された。
• モデルは良好にキャリブレーションされた不確実性を示し、予測された信頼区間が実際の誤差率と密接に一致しており、信頼性の高い不確実性推定が可能であることが示された。
• 感度分析により、モデルがオンコムイングトラフィック、横断歩道、近隣の車両といった文脈的に関連する領域に注目していることが判明し、安全に重要な要素を直感的に認識していることが示された。
• モデルは行動変化（例えば、曲がり始め）に素早く適応し、曲がり始めから0.5秒以内に予測誤差を低減したが、UKFは1.5秒以上も誤差を是正するのに要した。
• 曲がりが完了した後も、モデルは低誤差を維持していたが、UKFは長期間にわたり高い誤差を示し続けた。これは、動的適応性に優れていることを示している。
• 本システムは、広範なオフライン評価を経て、実際の自律走行車両に搭載・テストされ、実世界での実用性が確認された。