[論文レビュー] Understanding Human Behaviors in Crowds by Imitating the Decision-Making Process

Haosheng Zou, Hang Su+2 more|arXiv (Cornell University)|Jan 25, 2018

Anomaly Detection Techniques and Applications参考文献 28被引用数 5

ひとこと要約

本論文は、専門家の軌道を敵対的に模倣することで、潜在的意図と社会的要因を分離する敵対的模倣学習フレームワークであるSA-GAILを提案する。衝突回避正則化とソーシャル・アウェアLSTMを統合することで、将来の軌道予測が向上し、解釈可能な意図推論が可能となり、ADEおよびFDE指標においてベースラインを上回る性能を発揮する。また、学習された潜在コードを用いて異なる行動モードを可視化する。

ABSTRACT

Crowd behavior understanding is crucial yet challenging across a wide range of applications, since crowd behavior is inherently determined by a sequential decision-making process based on various factors, such as the pedestrians' own destinations, interaction with nearby pedestrians and anticipation of upcoming events. In this paper, we propose a novel framework of Social-Aware Generative Adversarial Imitation Learning (SA-GAIL) to mimic the underlying decision-making process of pedestrians in crowds. Specifically, we infer the latent factors of human decision-making process in an unsupervised manner by extending the Generative Adversarial Imitation Learning framework to anticipate future paths of pedestrians. Different factors of human decision making are disentangled with mutual information maximization, with the process modeled by collision avoidance regularization and Social-Aware LSTMs. Experimental results demonstrate the potential of our framework in disentangling the latent decision-making factors of pedestrians and stronger abilities in predicting future trajectories.

研究の動機と目的

• 視覚的外観統計に依存せず、意思決定プロセスの背後にある要因をモデル化することで、群衆における人間行動を理解すること。
• 教師なし表現学習を用いて、個人的意図や社会的相互作用などの潜在的意思決定要因を分離すること。
• 生成的敵対的フレームワークに衝突回避およびソーシャル・アウェアモデリングを組み込むことで、将来の軌道予測を向上させること。
• 分離された潜在コードを通じて、解釈可能な意図推論を可能にし、文脈的に適切な多様な将来の経路を生成すること。
• 複雑で動的な群衆環境において、模倣学習と認知レベルの行動モデリングのギャップを埋めること。

提案手法

• 観測された軌道から得られる専門家のデモンストレーションに基づき、歩行者の行動を段階的意思決定プロセスとしてモデル化するため、生成的敵対的模倣学習（GAIL）を拡張する。
• 空間的・時間的文脈を符号化するため、ソーシャル・アウェアLSTMを用いた再帰的エンコーダ・デコーダジェネレータを採用する。
• 生成過程で物理的に妥当な軌道を強制するため、衝突回避正則化モジュールを導入する。
• 相互情報量の最大化を用いて、意図や社会的影響などの意思決定要因を、それぞれ独立したコード成分に分離する。
• ジェネレータ（方策）とディスクラミネーターの敵対的訓練を活用し、潜在要因の明示的教師信号なしに専門家に類似した行動を生成する。
• 観測された軌道から潜在的意図コードを推論するための事後推論ネットワークを適用し、多様な将来の経路の条件付き生成を可能にする。

実験結果

リサーチクエスチョン

• RQ1 生成的敵対的模倣学習フレームワークは、群衆における歩行者の段階的意思決定プロセスを効果的にモデル化できるか？
• RQ2 個人的意図や社会的相互作用などの潜在的意思決定要因を、教師なしでどのように分離できるか？
• RQ3 衝突回避およびソーシャル・アウェアモデリングを組み込むことで、軌道予測の正確性はどの程度向上するか？
• RQ4 学習された潜在コードは、異なる意図を反映する多様で行動的に整合性のある将来の軌道を生成できるか？
• RQ5 複雑な群衆ダイナミクス下で、本手法は教師ありベースラインと比較して歩行者の運動予測においてどのように性能を発揮するか？

主な発見

• 完全なSA-GAILモデルは、vanilla LSTMやBehavior CNNを含むベースラインと比較して、平均移動誤差（ADE）および最終移動誤差（FDE）が低く、最も優れた性能を達成した。
• アブレーションスタディの結果、SA-LSTM、衝突回避、GAILトレーニングの各モジュールが予測性能に顕著な寄与をしていることが確認され、完全システムが個々のモジュールを上回った。
• 潜在的意図が成功裏に分離されたことが、異なる潜在コード設定下で生成された明確な軌道パターンの差異から裏付けられた。特に、あるコードは一貫して出口指向の経路を生成した。
• 可視化結果から、モデルはシーンの文脈（例えば、出口へ向かう、障害物を避ける）に整合した、行動的に妥当で多様な将来の軌道を生成していることが示された。
• 失敗事例から、急な旋回やシーンレイアウトの誤解に対応できない限界が明らかになった。特に、訓練データにそのような手がかりが欠落している場合に顕著だった。
• RNNベースのGANのトレーニングにおける課題にもかかわらず、敵対的フレームワークは教師ありベースラインに比べて方策学習を改善しており、複雑な意思決定プロセスのモデリングにおける価値を示唆している。