[논문 리뷰] Interaction-aware Multi-agent Tracking and Probabilistic Behavior Prediction via Adversarial Learning

Jiachen Li, Hengbo Ma외 1명|arXiv (Cornell University)|2019. 04. 04.

Autonomous Vehicle Technology and Safety참고 문헌 27인용 수 11

한 줄 요약

이 논문은 상호작용을 고려한 다중 에이전트 추적 및 확률적 행동 예측을 위한 적대적 학습 프레임워크를 제안한다. 다중 에이전트의 향후 행동을 단일 분포로 모델링하기 위해 생성적 적대적 네트워크(GAN)를 사용한다. 이 방법은 실제 궤적의 평균, 분산 및 다중 모달성을 포착하며, 차량 행동 예측에서 지도 학습 기반 보다 뛰어난 성능을 보이며, 암묵적 제안 분포를 통한 개선된 베이지안 상태 추정을 가능하게 한다.

ABSTRACT

In order to enable high-quality decision making and motion planning of intelligent systems such as robotics and autonomous vehicles, accurate probabilistic predictions for surrounding interactive objects is a crucial prerequisite. Although many research studies have been devoted to making predictions on a single entity, it remains an open challenge to forecast future behaviors for multiple interactive agents simultaneously. In this work, we take advantage of the Generative Adversarial Network (GAN) due to its capability of distribution learning and propose a generic multi-agent probabilistic prediction and tracking framework which takes the interactions among multiple entities into account, in which all the entities are treated as a whole. However, since GAN is very hard to train, we make an empirical research and present the relationship between training performance and hyperparameter values with a numerical case study. The results imply that the proposed model can capture both the mean, variance and multi-modalities of the groundtruth distribution. Moreover, we apply the proposed approach to a real-world task of vehicle behavior prediction to demonstrate its effectiveness and accuracy. The results illustrate that the proposed model trained by adversarial learning can achieve a better prediction performance than other state-of-the-art models trained by traditional supervised learning which maximizes the data likelihood. The well-trained model can also be utilized as an implicit proposal distribution for particle filtered based Bayesian state estimation.

연구 동기 및 목표

• 서로의 상호작용에 따라 향후 행동이 결정되는 상호작용 환경에서 다중 에이전트 행동을 정확하게 예측하는 데 도전하는 것.
• 다중 에이전트의 향후 행동 분포를 공동으로 모델링하는 일반적인 GAN 기반 프레임워크를 개발하는 것.
• 공동 최적화에서 정규화 계수의 영향을 분석하여 GAN 학습 안정성에 대한 경험적 지침을 제공하는 것.
• 학습된 생성기의 출력을 입자 필터링에서 암묵적 제안 분포로 활용하여 개선된 베이지안 상태 추정을 수행할 수 있음을 보여주는 것.
• 실제 차량 궤적 예측 데이터셋을 대상으로 프레임워크를 평가하여 지도 학습 기반 보다 뛰어난 성능을 입증하는 것.

제안 방법

• 조건부 GAN을 사용하여 생성기가 과거 상태를 조건으로 하여 다중 에이전트 행동 분포를 생성하고, 판별기가 진짜 궤적과 생성된 궤적을 구분하도록 한다.
• 생성기는 생성된 행동 시퀀스와 진짜 행동 시퀀스 간의 분포 차이를 최소화하도록 적대적 손실을 통해 학습된다.
• 학습 안정성을 향상시키기 위해 공통 최적화에서 유도된 정규화 항을 도입하였으며, 수치 분석을 통해 이 항의 계수와 수렴 속도 및 성능 간의 상관관계를 규명하였다.
• 학습된 생성기는 베이지안 상태 추정을 위한 혼합 순차 몬테카를로(M-SMC) 방법에서 암묵적 제안 분포로 활용된다.
• 다양한 행동 패턴(예: 차선 변경 등)을 포함한 실세계 데이터셋을 사용하여 실세계 차량 궤적 예측에 모델을 적용하였다.
• 수렴 속도와 일반화 능력의 균형을 맞추기 위해 수치적 사례 연구를 통해 하이퍼파라미터를 조정하였으며, 오차 지표를 통해 성능을 모니터링하였다.

실험 결과

연구 질문

• RQ1 연속적이고 고차원적인 시간 시리즈 출력을 갖는 다중 에이전트 행동 예측에 대해 적대적 학습을 효과적으로 적용할 수 있는가?
• RQ2 공동 최적화에서의 정규화가 다중 에이전트 예측 작업에서 GAN 학습의 안정성과 성능에 어떤 영향을 미치는가?
• RQ3 적대적으로 학습된 GAN 기반 생성기가 복잡한 다중 모달 행동 분포를 더 잘 포착할 수 있는가? 특히, 가능도 최대화 지도 학습 모델보다 성능이 뛰어나게 되는가?
• RQ4 학습된 생성기 분포가 입자 필터링에서 효과적인 암묵적 제안 분포로 활용될 수 있는가? 그 정도는 어느 정도인가?
• RQ5 기존의 CAM, GMR, P-MLP, P-LSTM 등의 전통적 모델과 비교해 볼 때, 제안된 프레임워크는 실세계 차량 궤적 예측에서 어떤 성능을 보이는가?

주요 결과

• 제안된 GAN 기반 모델은 P-MLP 및 P-LSTM와 같은 최신 지도 학습 기반 모델보다 더 뛰어난 예측 정확도를 달성하였으며, 특히 차선 변경과 같은 장기 예측 및 고분산 시나리오에서 뚜렷한 우수성을 보였다.
• 시각화 결과를 통해 모델이 다중 모달 행동 분포를 성공적으로 포착하였음을 확인할 수 있었으며, 진짜 궤적의 경로가 예측된 모드 내에 포함되어 있음을 확인하였다.
• 수치적 사례 연구를 통해 수렴 속도와 수렴 품질 간의 상충 관계를 규명하였다: 정규화 계수를 증가시키면 수렴 속도는 빨라지지만, 최적의 해를 얻지 못할 수 있다.
• 생성기가 학습한 분포는 입자 필터링에서 효과적인 암묵적 제안 분포로 기능하여, 기존 방법보다 더 나은 제안 분포를 제공함으로써 추적 성능을 향상시켰다.
• 단기적인 차선 유지 시나리오에서는 P-MLP가 제안된 모델보다 더 뛰어난 성능을 보였는데, 이는 저분산 패턴에 과적합된 결과로, 다양한 불확실성 있는 행동을 다룰 수 있는 적대적 학습의 우수성을 시사한다.
• GMR과 P-LSTM는 각각 데이터 희소성과 장기적 의존성 모델링의 한계로 인해 장기 예측에 대해 확장성이 떨어졌다.