[논문 리뷰] Learning to Predict Vehicle Trajectories with Model-based Planning

Haoran Song, Di Luan외 3명|arXiv (Cornell University)|2021. 03. 06.

Autonomous Vehicle Technology and Safety참고 문헌 46인용 수 59

한 줄 요약

PRIME은 모델 기반 궤적 생성기와 학습 기반 평가기를 결합하여 실행 가능하고 다모드의 차량 궤적 예측을 생성하며 불완전한 트래킹을 견고하게 처리합니다.

ABSTRACT

Predicting the future trajectories of on-road vehicles is critical for autonomous driving. In this paper, we introduce a novel prediction framework called PRIME, which stands for Prediction with Model-based Planning. Unlike recent prediction works that utilize neural networks to model scene context and produce unconstrained trajectories, PRIME is designed to generate accurate and feasibility-guaranteed future trajectory predictions. PRIME guarantees the trajectory feasibility by exploiting a model-based generator to produce future trajectories under explicit constraints and enables accurate multimodal prediction by utilizing a learning-based evaluator to select future trajectories. We conduct experiments on the large-scale Argoverse Motion Forecasting Benchmark, where PRIME outperforms the state-of-the-art methods in prediction accuracy, feasibility, and robustness under imperfect tracking.

연구 동기 및 목표

• 운동학적 및 환경 제약 하에서 자율주행에 대한 정확하고 실행 가능한 궤적 예측을 촉진한다.
• 상호작용 인식을 반영한 점수 부여와 실행 가능 궤적 생성을 분리하는 2단계 프레임워크를 개발한다.
• 에이전트-맵 상호작용과 다모달 예측을 관리하기 위해 HD 맵과 Frenét 좌표를 활용한다.
• 불완전한 트래킹에 대한 견고성을 향상시키고 장기 트래킹 데이터 의존도를 줄인다.]
• method([
• 모델 기반 제너레이터 G는 맵 기반 경로 탐색을 사용하여 도달 가능한 경로를 생성하고 명시적 제약 하에 실행 가능한 궤적을 샘플링한다.
• Frenét 프레임에서의 궤적 생성은 현재 상태를 기준 경로에 투영하고 4차/5차 다항식으로 종방향 및 횡방향 궤적을 생성한 다음 제약 필터링을 수행한다.
• 학습 기반 평가자 E는 이중 공간 표현으로 장면 맥락을 인코딩하고 주의(attention) 기반 모듈(P2T, P2F, A2A, F2F)을 활용하여 실행 가능한 궤적을 평가하고 선택한다.
• 예측 결과 T_tar은 실행 가능한 궤적 T를 순위 매김하고 비최대 억제를 적용하여 연관 확률을 가진 K개의 궤적을 얻는다.
• 훈련은 교차 엔트로피 손실을 사용하여 예측 궤적 점수를 실제 관련성과 일치시키고 추론은 확률과 함께 최상 K개의 궤적을 출력한다.

제안 방법

실험 결과

연구 질문

• RQ1 모델 기반 궤적 생성기가 예측을 위한 실행 가능하고 제약 조건을 충족하는 미래 궤적을 제공할 수 있는가?
• RQ2 학습 기반 평가자가 암시적 상호작용을 효과적으로 모델링하여 정확한 다모달 예측을 선택할 수 있는가?
• RQ3 불완전한 트래킹 하에서 PRIME은 완전히 학습 기반 베이스라인과 비교하여 어떤 성능을 보이는가?
• RQ4 Frenét 표현과 F2F 상호작용 융합이 예측 품질에 미치는 영향은 무엇인가?
• RQ5 모델 기반 계획의 통합이 정확도를 희생하지 않으면서 예측 실행 가능성과 견고성을 향상시키는가?

주요 결과

• PRIME은 Argoverse 벤치마크에서 누락률(miss rate)과 확률 기반 지표에서 최첨단 방법을 능가하여 강력한 다모달 예측 정확도를 시사한다.
• 모델 기반 제너레이터는 운동학 및 환경 제약을 강제하여 궤적 실행 가능성을 보장하고 제약 없이 수행되는 베이스라인에서 일반적으로 나타나는 실행 불가능한 예측을 줄인다.
• 평가자는 주의 기반 맥락 융합(P2T, P2F, A2A, F2F)을 통해 암시적 상호작용을 성공적으로 포착하고 컴팩트한 파라미터 규모로 경쟁력 있는 정확도를 달성한다.
• 소거 연구는 Frenét 표현과 F2F 융합이 성능 향상에 기여함을 보여주며, 전체 PRIME 네트워크가 약 1.02M 파라미터로 최상의 결과를 달성한다.
• PRIME은 불완전한 트래킹에 대한 견고성을 보여주며 훈련 및 테스트 중 트랙 데이터가 제거될 때 베이스라인에 비해 성능 저하가 현저히 작다.