[논문 리뷰] Leveraging Future Relationship Reasoning for Vehicle Trajectory Prediction

Dae-Hee Park, Hobin Ryu외 4명|arXiv (Cornell University)|2023. 05. 24.

Autonomous Vehicle Technology and Safety인용 수 18

한 줄 요약

본 논문은 차선 수준 웨이포인트 점유를 활용하여 차량 간 상호 작용을 확률적으로 추론하는 Future Relationship Modeling(FRM)을 도입하고, 다형적 다중 모드 궤도 예측을 가능하게 하며 nuScenes에서 장기 예측에 대해 최첨단 성능을 달성한다.

ABSTRACT

Understanding the interaction between multiple agents is crucial for realistic vehicle trajectory prediction. Existing methods have attempted to infer the interaction from the observed past trajectories of agents using pooling, attention, or graph-based methods, which rely on a deterministic approach. However, these methods can fail under complex road structures, as they cannot predict various interactions that may occur in the future. In this paper, we propose a novel approach that uses lane information to predict a stochastic future relationship among agents. To obtain a coarse future motion of agents, our method first predicts the probability of lane-level waypoint occupancy of vehicles. We then utilize the temporal probability of passing adjacent lanes for each agent pair, assuming that agents passing adjacent lanes will highly interact. We also model the interaction using a probabilistic distribution, which allows for multiple possible future interactions. The distribution is learned from the posterior distribution of interaction obtained from ground truth future trajectories. We validate our method on popular trajectory prediction datasets: nuScenes and Argoverse. The results show that the proposed method brings remarkable performance gain in prediction accuracy, and achieves state-of-the-art performance in long-term prediction benchmark dataset.

연구 동기 및 목표

• 차량 간 미래 상호 작용에 대해 도로 구조를 활용하여 더 나은 추론을 수행한다.
• 확정적 관계가 아닌 확률적이고 다모드의 상호 작용 모델을 만든다.
• 차선 수준 정보를 활용하여 미래 관계를 예측하고 궤도 예측을 개선한다.
• 상호 작용과 미래 경로의 불확실성을 포착하기 위해 CVAE로 학습한다.

제안 방법

• 도로 구간을 따라 웨이포인트 점유를 미래 모션의 확률적 표현으로 예측한다.
• 차량 간 상호 작용에 대한 Gaussian Mixture 분포를 통해 Future Relationship를 추론한다.
• 그래프 컨볼루션 네트워크를 사용하여 웨이포인트 점유를 매끄럽게 하고 차로 토폴로지 전반의 에이전트 간 근접성을 계산한다.
• CVAE 프레임워크를 적용하여 디코딩된 미래 궤적에 대해 의도(목표)와 상호 작용(미래 관계)을 함께 모델링한다.
• 재구성 항을 포함한 ELBO 최적화를 통해 신경 관계 추론에서의 엣지 도 degeneracy를 완화한다.

실험 결과

연구 질문

• RQ1 차선 정보를 어떻게 활용하여 차량 간 미래 상호 작용을 예측할 수 있는가?
• RQ2 확률적이고 다모드의 미래 관계 모델이 결정론적 상호 작용 모델링보다 궤도 예측을 개선하는가?
• RQ3 미래 관계를 명시적으로 모델링하면 실제 데이터셋에서 장기 궤도 예측이 더 나아지는가?

주요 결과

• 제안된 방식은 nuScenes에서 장기 예측에 대해 최첨단 성능을 달성한다.
• 웨이포인트 점유를 통한 명시적 미래 관계 모델링이 과거 궤적 기반 상호 작용 방법에 비해 상호 작용 이해도와 샘플의 타당성을 향상시킨다.
• 다모드 확률적 상호 작용(가우시안 혼합)이 단일 모드 사전보다 더 나은 성능을 보인다.
• 특정 제거 연구에서 미래 관계 모델링과 GCN 기반 근접성 추정이 성능 향상에 결정적임이 확인된다.
• 정성적 결과는 합리적인 미래 상호 작용을 반영하는 다양한 상호 작용 인식 궤도 샘플을 보여준다.