[論文レビュー] Who Make Drivers Stop? Towards Driver-centric Risk Assessment: Risk Object Identification via Causal Inference

Chengxi Li, Stanley H. Chan+1 more|arXiv (Cornell University)|Mar 5, 2020

Autonomous Vehicle Technology and Safety参考文献 29被引用数 10

ひとこと要約

本稿では、歩行者や車両などドライバーの行動に影響を与える対象をリスク要因とみなすドライバー中心のリスク定義を提案する。入力動画からトラックレットを除去する介入を施し、学習済みドライビングモデルにおける行動変化を測定することで、リスク対象を同定する二段階の因果推論フレームワークを導入し、HDDデータセットにおいて強力なベースラインより平均7.5%の性能向上を達成した。

ABSTRACT

A significant amount of people die in road accidents due to driver errors. To reduce fatalities, developing intelligent driving systems assisting drivers to identify potential risks is in an urgent need. Risky situations are generally defined based on collision prediction in the existing works. However, collision is only a source of potential risks, and a more generic definition is required. In this work, we propose a novel driver-centric definition of risk, i.e., objects influencing drivers' behavior are risky. A new task called risk object identification is introduced. We formulate the task as the cause-effect problem and present a novel two-stage risk object identification framework based on causal inference with the proposed object-level manipulable driving model. We demonstrate favorable performance on risk object identification compared with strong baselines on the Honda Research Institute Driving Dataset (HDD). Our framework achieves a substantial average performance boost over a strong baseline by 7.5%.

研究の動機と目的

• 知能ドライブシステムにおける衝突ベースのリスク定義の限界を是正するため、行動中心の広範なリスク定義を提案すること。
• ドライバーの意思決定に因果的に影響を与える対象を同定するという、リスク対象同定という新たなタスクを導入すること。
• 既存手法におけるアノテーション不足と注目度の不一致を克服するため、因果推論を用いてリスク同定を因果的因果関係の問題として定式化すること。
• 操作可能なドライビングモデルと介入ベースの分析を活用する二段階フレームワークを構築し、頑健なリスク対象検出を実現すること。
• 因果的推論を用いて、実世界のドライブデータにおいて優れた性能と解釈可能性を示すこと。

提案手法

• ドライバー行動の変化（例：停止）を引き起こす対象をリスクと定義し、因果的因果関係フレームワークを用いる。
• 入力動画に基づいて「進む」または「止まる」行動を予測できるオブジェクトレベルの操作可能なドライビングモデルを訓練する。
• 1つのトラックレットを順次除去し、部分畳み込みを用いて領域を補間することで、欠損をシミュレートする介入を適用する。
• 予測行動の変化（例：「停止」から「進む」に変化）を測定し、ドライバー意思決定に影響を与える因果的対象を同定する。
• 行動変化の大きさをリスク指標として用い、変化が大きいほどリスク寄与度が高いと判断する。
• 各対象のリスクスコアを可視化し、HDDデータセットを用いた定性的および定量的分析により結果を検証する。

実験結果

リサーチクエスチョン

• RQ1 ドライビングシーンにおけるどの対象がドライバーの停止意思決定に因果的に関与しているか？
• RQ2 衝突予測を越えて、行動に影響を与える対象を含めたリスクの再定義は可能か？
• RQ3 注意メカニズムや教師あり手法と比較して、因果推論技術はリスク対象同定の精度と解釈可能性を向上させられるか？
• RQ4 操作可能なドライビングモデルに対する介入ベースの分析は、リスク対象検出をどのように向上させるか？
• RQ5 このフレームワークの失敗モードは何か？また、それらは誤った意図モデリングとどのように関連しているか？

主な発見

• 提案された因果推論フレームワークは、Honda Research Institute Driving Dataset（HDD）において強力なベースラインより平均7.5%の性能向上を達成した。
• テストされたシナリオの80%で正しいリスク対象を同定できており、複数の歩行者が同時に横断するような複雑な相互作用に対しても有効であった。
• 定性的な結果から、本手法はエゴ車両の進行方向に横断する歩行者など、関連する交通参加者に対して高いリスクスコアを割り当てていることが示された。
• 失敗事例の主な原因はエゴ車両の意図を正しく予測できていないことであり、改善には明示的な意図モデリングが不可欠であると示唆された。
• 部分畳み込みによる補間処理はアーチファクトを生じさせ、周囲の特徴を希釈させる可能性があり、隣接する対象を除去した際にリスクスコアが過大評価される原因となっている。
• アブレーションスタディにより、介入ベースの因果分析が注意メカニズムやエンドツーエンドのサリエンシー手法よりも、行動に影響を与える対象を同定する上で優れていることが確認された。