[논문 리뷰] BANet: Motion Forecasting with Boundary Aware Network

Chen Zhang, Sun Hong-lin외 2명|arXiv (Cornell University)|2022. 06. 16.

Traffic Prediction and Management Techniques인용 수 6

한 줄 요약

BANet는 궤도 예측 성능을 햖थ기 위해 경로선 중심선과 함께 차선 경계를 명시적으로 인코딩하는 운동 예측 모델이다. 경계 인식 융합 기법을 사용하며, 2022년 Argoverse2 운동 예측 챌린지에서 minFDE 1.3888(K=6) 및 brier-minFDE 2.033으로 1위를 기록하여 최신 기술 수준(SOTA) 성능을 달성하였다.

ABSTRACT

We propose a motion forecasting model called BANet, which means Boundary-Aware Network, and it is a variant of LaneGCN. We believe that it is not enough to use only the lane centerline as input to obtain the embedding features of the vector map nodes. The lane centerline can only provide the topology of the lanes, and other elements of the vector map also contain rich information. For example, the lane boundary can provide traffic rule constraint information such as whether it is possible to change lanes which is very important. Therefore, we achieved better performance by encoding more vector map elements in the motion forecasting model.We report our results on the 2022 Argoverse2 Motion Forecasting challenge and rank 1st on the test leaderboard.

연구 동기 및 목표

• 경로선 중심선 외에 차선 경계 정보를 통합하여 운동 예측 성능을 향상시키기 위해 노력한다.
• 경계 인식 특징을 활용해 차선 변경 가능성과 같은 교통 규칙 제약 조건을 모델링한다.
• 학습 가능한 어텐션 메커니즘을 통해 액터와 벡터 지ap 간의 특징 융합을 향상시킨다.
• Argoverse2 벤치마크에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• 액터 이력(좌표, 헤딩, 속도), 경로선 중심선, 차선 경계를 별도로 처리하기 위해 3개의 분기로 구성된 인코더 네트워크를 사용한다.
• 경로선 중심선의 다양한 인접성 유형에 대해 그래프 컨볼루션 레이어에서 학습 가능한 가중치를 적용하여 구조적 영향을 더 잘 모델링한다.
• 거리 어텐션 모듈을 갖춘 다단계 융합 네트워크를 활용하여 경계 특징을 중심선과 액터에 융합하고, 액터 간 상호작용을 가능하게 한다.
• 궤도 예측을 두 단계로 분해한다: 먼저 목표 지점 예측을 수행하고, 그 다음에 목표 지점과 액터 특징을 사용해 전체 궤도를 복원한다.
• 두 단계 학습 스케줄을 적용한다: 먼저 신뢰도 및 목표 지점 예측 손실로 학습하고, 이후 궤도 예측 손실을 추가한다.
• 최종 출력을 개선하기 위해 confidence 및 brier-minFDE 가중치를 적용한 k-means 클러스터링을 활용한 앙상블 학습 기법을 적용한다.

실험 결과

연구 질문

• RQ1 경로선 중심선 외에 차선 경계 정보를 통합하면 운동 예측 성능이 향상되는가?
• RQ2 차선 경계를 통한 교통 규칙 제약 조건의 명시적 모델링이 정확도와 내구성에 어떤 영향을 미치는가?
• RQ3 고정된 인접성 가중치 대비 학습 가능한 가중치를 활용한 경로선 그래프 컨볼루션은 특징 표현 향상에 기여하는가?
• RQ4 목표 지점 예측을 포함한 두 단계 궤도 복원 전략은 궤도 생성 품질 향상에 기여하는가?
• RQ5 신뢰도 가중치 클러스터링을 활용한 앙상블 학습이 최종 예측 성능 향상에 얼마나 기여하는가?

주요 결과

• BANet는 Argoverse2 테스트 세트에서 minFDE 1.3888(K=6) 및 brier-minFDE 2.033을 기록하여 2022년 Argoverse2 운동 예측 챌린지에서 1위를 차지하였다.
• 경계 인코딩을 생략한 BANet(lite)보다 전체 BANet 모델이 성능이 뛰어나, 경계 인식 특징의 유용성을 입증하였다.
• 경로선 그래프 컨볼루션에 학습 가능한 가중치를 적용함으로써 성능 향상이 이루어졌으며, 이는 다양한 인접성 관계가 노드 표현에 미치는 영향이 다름을 시사한다.
• 신뢰도 및 brier-minFDE 가중치를 적용한 k-means 클러스터링을 활용한 앙상블 학습으로 minFDE가 1.3648(K=6)까지 감소하여 효과적인 궤도 정밀화가 이루어졌음을 보여주었다.
• 두 단계 학습 스케줄(먼저 목표 지점 예측, 이후 궤도 예측)을 통해 학습이 더 안정적이고 정확해졌다.
• Argoverse2에서 K=6일 때 17.97%의 미스율(MR)을 기록하여 다중 가설 예측에서 강력한 일반화 및 내구성을 확보하였다.