[논문 리뷰] DROGON: A Trajectory Prediction Model based on Intention-Conditioned Behavior Reasoning

Chiho Choi, Srikanth Malla외 2명|arXiv (Cornell University)|2019. 07. 31.

Autonomous Vehicle Technology and SafetyEngineering인용 수 21

한 줄 요약

DROGON은 관계 상호작용 추론, 의도 추정, 행동 추론을 통해 차량 운동을 조건화하는 궤적 예측 모델을 제안한다. 확률적 의도 분포를 통해 목표 지향적 행동을 모델링하여 HID, SDD, ETH, UCY 데이터셋에서 기존 방법을 능가하는 최신 기술 성능(SOTA)을 달성한다.

ABSTRACT

We propose a Deep RObust Goal-Oriented trajectory prediction Network (DROGON) for accurate vehicle trajectory prediction by considering behavioral intentions of vehicles in traffic scenes. Our main insight is that the behavior (i.e., motion) of drivers can be reasoned from their high level possible goals (i.e., intention) on the road. To succeed in such behavior reasoning, we build a conditional prediction model to forecast goal-oriented trajectories with the following stages: (i) relational inference where we encode relational interactions of vehicles using the perceptual context; (ii) intention estimation to compute the probability distributions of intentional goals based on the inferred relations; and (iii) behavior reasoning where we reason about the behaviors of vehicles as trajectories conditioned on the intentions. To this end, we extend the proposed framework to the pedestrian trajectory prediction task, showing the potential applicability toward general trajectory prediction.

연구 동기 및 목표

• 복잡한 교통 환경에서 운전자 의도를 고려한 강력한 궤적 예측 모델을 개발하는 것.
• 특히 교차로 시나리오에서 기존 차량 궤적 예측 프레임워크의 의도 인식 부족 문제를 해결하는 것.
• 훈련 및 평가를 위한 레이블링된 의도 영역을 포함한 대규모 상호작용 데이터셋(HID)을 구축하는 것.
• 프레임워크를 보행자 궤적 예측으로 일반화하여 더 넓은 적용 가능성을 검증하는 것.
• 예측 정확도를 향상시키기 위해 행동을 추정된 의도에 조건화함으로써 물리적 타당성과 다중모달성을 향상시키는 것.

제안 방법

• 감지된 맥락 기반으로 차량과 환경 간의 상호작용을 관계 추론을 통해 인코딩한다.
• 유추된 관계 특징을 사용하여 잠재적 목표 영역(의도)에 대한 확률 분포를 추정한다.
• 추정된 의도에 기반하여 다중모달 궤적을 생성하기 위해 조건부 행동 추론을 적용한다.
• 모든 격자 영역을 잠재적 의도 영역로 간주하여 보행자에 대해 프레임워크를 확장함으로써 일반화를 가능하게 한다.
• 의도 오분류에 대한 강건성을 향상시키기 위해 확률적이고 목표 조건화된 생성 메커니즘을 활용한다.
• 이미지 공간을 5×5 격자로 분할하여 의도 카테고리를 정의함으로써 도메인 간 평가를 가능하게 한다.

실험 결과

연구 질문

• RQ1 교통 환경에서 감지 및 관계 맥락을 바탕으로 궤적 예측 모델이 운전자 의도를 효과적으로 추정할 수 있는가?
• RQ2 추정된 의도에 기반해 궤적 예측을 조건화할 경우 정확도와 물리적 타당성이 어떻게 향상되는가?
• RQ3 제안된 프레임워크는 다양한 환경에서 차량에서 보행자 궤적 예측으로 일반화될 수 있는가?
• RQ4 의도 추정의 불확실성이 최종 예측 성능에 미치는 영향은 무엇인가?
• RQ5 다양한 벤치마크 데이터셋에서 DROGON은 최신 기술 모델들과 비교해 어떻게 성능을 내는가?

주요 결과

• DROGON-E는 SDD 벤치마크에서 최고 성능을 기록하였으며, 1.0초 시점에서 FDE 1.24, 2.0초 시점에서 2.19, 3.0초 시점에서 3.36, 4.0초 시점에서 4.94, 4.8초 시점에서 30.90 FDE(1/5 해상도 기준 픽셀 단위)를 기록했다.
• ETH 및 UCY 데이터셋에서 DROGON-E는 4.8초 시점에서 평균 ADE 0.41m, FDE 0.65m를 기록하여 S-GAN, SoPhie, S-BiGAT, PMP-NMMP, S-STGCNN를 모두 능가했다.
• 의도 확률에 적응형 조건부 적용을 사용하는 DROGON-Prob-20 버전은 의도 오분류에 대한 강건성이 향상됨을 보였다.
• DROGON은 정지된 차량(예: 교차로에서 정지한 차량)의 운동을 성공적으로 예측하여 의도 인식 기반 예측을 통한 충돌 회피를 가능하게 했다.
• 프레임워크는 보행자 운동 예측으로도 효과적으로 일반화되어 차량 외 적용 가능성에 대한 타당성을 입증했다.
• Honda 교차로 데이터셋(HID)의 제작을 통해 고도로 상호작용적인 실생활 교차로 시나리오에서의 목표 지향적 행동 평가가 가능해졌다.