[논문 리뷰] OCTNet: Trajectory Generation in New Environments from Past Experiences

Weiming Zhi, Tin Lai외 3명|arXiv (Cornell University)|2019. 09. 25.

Autonomous Vehicle Technology and Safety참고 문헌 25인용 수 4

한 줄 요약

OCTNet는 다양한 환경에서 관측된 과거 트래잭터리로부터 일반화하여 새로운 환경에서 다중 모달, 지도 기반 운동 트래잭터리를 학습하여 생성하는 확률적 생성 모델이다. 점유 지도를 특징 벡터로 인코딩하고, 신경망을 사용하여 트래잭터리 매개변수의 조건부 분포를 모델링함으로써 거부 샘플링 없이 고품질의 유효한 트래잭터리 생성이 가능하며, 트래잭터리 충실도와 지도 준수성에서 GANs와 CVAEs를 능가한다.

ABSTRACT

Being able to safely operate for extended periods of time in dynamic environments is a critical capability for autonomous systems. This generally involves the prediction and understanding of motion patterns of dynamic entities, such as vehicles and people, in the surroundings. Many motion prediction methods in the literature can learn a function, mapping position and time to potential trajectories taken by people or other dynamic entities. However, these predictions depend only on previously observed trajectories, and do not explicitly take into consideration the environment. Trends of motion obtained in one environment are typically specific to that environment, and are not used to better predict motion in other environments. In this paper, we address the problem of generating likely motion dynamics conditioned on the environment, represented as an occupancy map. We introduce the Occupancy Conditional Trajectory Network (OCTNet) framework, capable of generalising the previously observed motion in known environments, to generate trajectories in new environments where no observations of motion has not been observed. OCTNet encodes trajectories as a fixed-sized vector of parameters and utilises neural networks to learn conditional distributions over parameters. We empirically demonstrate our method's ability to generate complex multi-modal trajectory patterns in different environments.

연구 동기 및 목표

• 관측된 운동 데이터가 없는 새로운 환경에서 자율 에이전트가 신뢰할 수 있는 운동 트래잭터리를 생성할 수 있도록 하는 것.
• 다양한 환경에서의 과거 경험으로부터 일반화하는 지도 기반 트래잭터리 생성 모델을 개발하는 것.
• 복잡한 환경에서 인간 및 동적 실체의 운동의 확률적이고 다중 모달적 성격을 모델링하는 것.
• 전방 샘플링이나 누적 오차에 의존하지 않고도 임의의 시간 해상도에서 연속적이고 질의 가능한 트래잭터리를 생성하는 것.
• 점유 지도를 유사도 기반 특징 벡터로 인코딩하고 이를 조건부로 삼아 일반화 능력을 향상시키는 것.

제안 방법

• OCTNet는 기저 함수 계수(w)의 고정 크기 벡터로 트래잭터리를 표현함으로써 압축적이고 미분 가능한 트래잭터리 인코딩을 가능하게 한다.
• 신경망을 사용하여 조건부 분포 p(w | φ)를 학습하며, 여기서 φ는 환경의 구조를 포착하는 점유 지도의 학습된 임bedding이다.
• 다중 모달 트래잭터리 분포를 모델링하기 위해 혼합 밀도 네트워크(MDN)를 활용하여 다양한 현실적인 운동 패턴의 샘플링을 가능하게 한다.
• w의 원소들에 대해 정규분포와 라플라스 분포의 두 가지 사전 분포를 평가하였으며, 실험에서 라플라스 분포가 더 우수한 성능을 보였다.
• 핵 기반 보간을 사용하여 샘플된 w 벡터로부터 트래잭터리를 재구성함으로써 연속적이고 해상도에 유연한 트래잭터리 질의를 가능하게 한다.
• 점유 지도가 시아미즈 유사 네트워크 방식으로 인코딩되어 지도 유사도를 포착하도록 하며, 최대 우도 추정을 통해 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 생성 모델은 다른 환경에서의 과거 트래잭터리 데이터만을 사용하여 새로운 환경에서 유효하고 다중 모달의 운동 트래잭터리를 학습하여 생성할 수 있는가?
• RQ2 운동 데이터가 없는 새로운 환경으로의 일반화 능력은 지도 조건부 모델이 얼마나 우수한가?
• RQ3 다른 사전 분포가 생성된 트래잭터리의 품질과 다양성에 어떤 영향을 미치는가?
• RQ4 트래잭터리 유효성과 지도 준수성 측면에서 기존의 생성 모델(GANs, CVAEs)과 비교해 볼 때 모델의 성능은 어떠한가?
• RQ5 전방 샘플링에 의한 누적 오차 없이도 임의의 시간 해상도에서 연속적인 트래잭터리를 생성할 수 있는가?

주요 결과

• OCTNet는 거부 샘플링 없이도 새로운 환경에서 고품질의 유효한 트래잭터리를 생성하며, 샘플된 트래잭터리의 약 33%가 유효한 것으로 나타났다. 이는 GANs와 CVAEs의 상대적으로 낮은 성공률에 비해 뛰어난 성능을 보였다.
• 라플라스 사전 분포가 정규 사전 분포를 능가했으며, 하우스도르프 거리 1.86과 프리셰트 거리 2.00을 기록하여 더 뛰어난 트래잭터리 충실도를 입증했다.
• OCTNet는 Hausdorff(11.79 대 1.86), 프리셰트(16.66 대 2.00), DTW(1147.40 대 93.10) 등 모든 지표에서 GANs와 CVAEs를 능가하여 더 뛰어난 트래잭터리 품질과 지도 준수성을 입증했다.
• 환경 간 유사도를 포착하는 지도 임베딩 φ를 사용함으로써, 점유 지도에 대한 훈련 데이터가 제한되어 있어도 효과적인 일반화가 가능했다.
• 다양하고 환경에 부합하는 트래잭터리 출력을 통해 모델이 다중 모달 운동 패턴을 성공적으로 포착했음을 입증했다.
• 핵 기반 보간을 통한 연속적 트래잭터리 표현 방식 덕분에 임의의 시간 포인트에서의 트래잭터리 질의가 가능하여, 다양한 후속 계획 작업에 적합한 영향을 주었다.