[논문 리뷰] Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections

Junha Roh, Christoforos Mavrogiannis외 3명|arXiv (Cornell University)|2020. 11. 08.

Autonomous Vehicle Technology and Safety참고 문헌 33인용 수 10

한 줄 요약

이 논문은 비제어 교차로에서 다중모드 행동을 모델링하기 위해 위상적 불변성을 활용하는 데이터 기반 궤적 예측 방법인 다중 위상도 예측(MTP)을 제안한다. 상호작용 모드를 위상적 구조로 인코딩함으로써 MTP는 MFP 대비 78.24% 높은 재구성 정확도를 달성하고, MTPnav 계획자로써 CARLA 시뮬레이션에서 다양한 시나리오에 걸쳐 충돌 없는 시간 효율적 주행을 가능하게 한다.

ABSTRACT

We focus on decentralized navigation among multiple non-communicating rational agents at \emph{uncontrolled} intersections, i.e., street intersections without traffic signs or signals. Avoiding collisions in such domains relies on the ability of agents to predict each others' intentions reliably, and react quickly. Multiagent trajectory prediction is NP-hard whereas the sample complexity of existing data-driven approaches limits their applicability. Our key insight is that the geometric structure of the intersection and the incentive of agents to move efficiently and avoid collisions (rationality) reduces the space of likely behaviors, effectively relaxing the problem of trajectory prediction. In this paper, we collapse the space of multiagent trajectories at an intersection into a set of modes representing different classes of multiagent behavior, formalized using a notion of topological invariance. Based on this formalism, we design Multiple Topologies Prediction (MTP), a data-driven trajectory-prediction mechanism that reconstructs trajectory representations of high-likelihood modes in multiagent intersection scenes. We show that MTP outperforms a state-of-the-art multimodal trajectory prediction baseline (MFP) in terms of prediction accuracy by 78.24% on a challenging simulated dataset. Finally, we show that MTP enables our optimization-based planner, MTPnav, to achieve collision-free and time-efficient navigation across a variety of challenging intersection scenarios on the CARLA simulator.

연구 동기 및 목표

• 비제어 교차로에서 통신하지 않는 에이전트 간 탈중앙화된 충돌 없는 주행 문제를 해결하기 위해.
• 기하학적 구조와 에이전트의 이성적 행동을 활용하여 다중모드 궤적 예측의 복잡성을 줄이기 위해.
• 다중에이전트 행동의 고확률 상태를 위상적 불변성을 통해 형식화하여 해석 가능하고 압축된 모델링을 가능하게 하기 위해.
• 재학습 없이도 다양한 교차로 시나리오에 일반화되는 데이터 기반 예측 프레임워크를 개발하기 위해.
• 실시간으로 안전하고 효율적인 주행을 가능하게 하기 위해 예측 모델을 계획자(MTPnav)에 통합하기 위해.

제안 방법

• MTP는 다중에이전트 궤적 행동을 위상적으로 불변하는 모드의 집합으로 모델링하며, 동일한 모드에 속하는 궤적은 동일한 위상적 서명(예: 교차 순서, 상대 경로)을 공유한다.
• 이 방법은 그래프 신경망을 사용하여 에이전트 간 상호작용을 인코딩하고 각 위상 모드에 대한 궤적 대표를 예측한다.
• 위상적 불변성은 교차로에서 공간적 및 시간적 순서에 기반해 궤적을 이산적인 행동 모드로 그룹화하는 수학적 제약 조건으로 형식화된다.
• 예측 모델은 이성적인 에이전트 가정 하에 다양한 교차로 통과 행동을 캡처하는 맞춤형 시뮬레이터 데이터셋으로 훈련된다.
• MTPnav는 MTP의 예측된 모드를 사용하여 효율성, 통과 가능성, 가능성, 매끄러움을 기준으로 후보 에이고 궤적을 평가하고 최적의 경로를 선택한다.
• 계획자는 탈중앙화된 방식으로 작동하며, 에이전트 간 명시적 통신 없이 예측된 행동에 의존한다.

실험 결과

연구 질문

• RQ1 비제어 교차로에서 다중에이전트 행동의 가능성이 높은 공간을 위상적 불변성을 활용해 압축적이고 의미 있는 방식으로 표현할 수 있는가?
• RQ2 위상적 구조를 통합함으로써 다중모드 궤적 예측의 정확도와 일반화 능력은 어느 정도 향상되는가?
• RQ3 위상적으로 정보가 반영된 예측 모델은 복잡한 실제 세계 유사 교차로 시나리오에서 안전하고 효율적인 주행을 가능하게 하는가?
• RQ4 MTP의 궤적 재구성 정확도는 최신 기준 대비 어느 정도 성능을 보이는가?
• RQ5 MTP를 계획 프레임워크에 통합함으로써 명시적 통신 없이 충돌 없는 시간 효율적 주행을 달성할 수 있는가?

주요 결과

• MTP는 비제어 교차로 통과의 도전적인 시뮬레이션 데이터셋에서 MFP 기준선 대비 78.24% 높은 궤적 재구성 정확도를 달성한다.
• 두 에이전트 및 세 에이전트의 어려운 시나리오에서 MTPnav는 충돌 빈도를 0%로 줄였으며, 자동운전 및 MPC 기준선을 모두 초월한다.
• 네 에이전트 시나리오에서 MTPnav는 충돌률 28.00%를 기록했으며, 자동운전 기준선의 40.00%보다 유의미하게 낮다.
• 두 에이전트 시나리오에서 MTPnav는 평균 목적지 도착 시간을 19.13±3.78초 감소시켰고, 세 에이전트 시나리오에서는 14.81±1.56초 감소시켰으며, MPC 및 자동운전 기준선을 모두 능가한다.
• 고밀도 에이전트 및 복잡한 상호작용 패턴을 포함한 다양한 시나리오에서 강건성을 입증하였다.
• 위상적 불변성의 사용은 다중모드 행동에 대한 압축적이고 해석 가능하며 수학적으로 탄탄한 표현을 가능하게 하여 모델의 일반화 능력을 향상시켰다.