[논문 리뷰] Probabilistic Multi-modal Trajectory Prediction with Lane Attention for Autonomous Vehicles

Chenxu Luo, Lin Sun외 2명|arXiv (Cornell University)|2020. 07. 06.

Autonomous Vehicle Technology and Safety참고 문헌 26인용 수 12

한 줄 요약

이 논문은 새로운 인스턴스 인식 레인 표현과 목표 지향적 레인 어텐션 메커니즘을 사용하여 자율주행 차량을 위한 레인 인식, 확률적 다중 모드 궤적 예측 모델을 제안한다. 개별 레인을 인코딩하고 미래 레인에 대한 어텐션을 적용함으로써, 모드 붕괴 없이 다양하고 확률 순서가 매겨진 궤적을 생성하며, Argoverse 벤치마크에서 최신 기술 수준(SOTA) 성능을 달성했고, NeurIPS 2019 운동 예측 챌린지에서 3위를 기록했다.

ABSTRACT

Trajectory prediction is crucial for autonomous vehicles. The planning system not only needs to know the current state of the surrounding objects but also their possible states in the future. As for vehicles, their trajectories are significantly influenced by the lane geometry and how to effectively use the lane information is of active interest. Most of the existing works use rasterized maps to explore road information, which does not distinguish different lanes. In this paper, we propose a novel instance-aware representation for lane representation. By integrating the lane features and trajectory features, a goal-oriented lane attention module is proposed to predict the future locations of the vehicle. We show that the proposed lane representation together with the lane attention module can be integrated into the widely used encoder-decoder framework to generate diverse predictions. Most importantly, each generated trajectory is associated with a probability to handle the uncertainty. Our method does not suffer from collapsing to one behavior modal and can cover diverse possibilities. Extensive experiments and ablation studies on the benchmark datasets corroborate the effectiveness of our proposed method. Notably, our proposed method ranks third place in the Argoverse motion forecasting competition at NeurIPS 2019.

연구 동기 및 목표

• 자율주행에서 불확실하고 다중 모드인 미래 궤적 예측 문제를 해결하기 위해 레인 수준의 기하학적 및 위상적 정보를 통합한다.
• 개별 레인을 구분하지 못하고 종종 다중 모드 예측에서 모델 붕괴를 유도하는 래스터화된 지ap 표현의 한계를 극복한다.
• 잠재 변수로 관련 확률을 가진 레인 전환을 동적으로 예측함으로써 의도 기반 및 다중 모드 궤적 예측을 통합한다.
• 통합된 딥 러닝 프레임워크에서 레인 기하학과 상호작용 특징을 활용함으로써, 특히 곡선 주행과 같은 복잡한 동작에 대해 예측 정확도를 향상시킨다.
• 실제 주행 행동을 반영하는 다각적이고 해석 가능하며 확률적으로 기반된 미래 궤적을 생성한다.

제안 방법

• 각 레인을 순서화된 중심선 점의 시퀀스로 표현하는 인스턴스 인식 레인 인코더를 도입하여 메모리 효율적인 개별 레인 특징 추출을 가능하게 한다.
• 내적 곱 주의 기반의 목표 지향적 레인 어텐션 모듈을 제안하여 미래 레인 전환의 확률을 계산하고, 동적인 운전자 의도를 모델링한다.
• 레인 특징, 궤적 특징, 상호작용 특징을 인코더-디코더 프레임워크에 통합하여 다양한 맥락 인식 궤적을 생성한다.
• 디코더에서 레인 코드를 잠재 변수로 사용하여 다수의 유의미한 궤적을 생성하며, 각 궤적은 학습된 확률과 연결되어 모드 붕괴를 방지한다.
• 예측된 레인 확률에서 샘플링하는 확률적 디코딩 전략을 활용하여 다양한 궤적 가설을 생성한다.
• 과정 학습과 학습률 스케줄링을 적용한 다중 작업 손실을 사용하여 모델을 훈련한다. 이 손실은 궤적 예측 손실과 레인 어텐션 손실을 통합한다.

실험 결과

연구 질문

• RQ1 래스터화된 지도 표현에 비해 인스턴스 인식 레인 표현이 다중 모드 궤적 예측 정확도를 향상시키는가?
• RQ2 학습 가능한 목표 지향적 레인 어텐션 메커니즘이 동적인 운전자 의도를 효과적으로 모델링하고 예측 다양성을 향상시키는가?
• RQ3 레인 기하학과 상호작용 특징을 통합하면 복잡한 곡선 주행 행동에서 성능 향상이 이루어지는가?
• RQ4 제안된 방법은 단일 평균 예측으로 수렴하지 않고 다양한 확률 순서가 매겨진 궤적을 생성하는가?
• RQ5 기존 SOTA 방법에 비해 도로 분리 및 교차로와 같은 도전적인 시나리오에서 모델의 성능은 어떠한가?

주요 결과

• 제안된 방법은 NeurIPS 2019 Argoverse 운동 예측 챌린지에서 3위를 차지하여 다수의 SOTA 방법을 능가했다.
• 비직선(Non-Striaght, NS) 서브셋에서, 레인 정보가 없는 기준 모델 대비 3초 후 최종 이격 오차(FDE)를 약 0.9미터 감소시켰다.
• K=6일 때, 3초 기준 평균 이격 오차(ADE)가 0.34m를 기록하여, 확률적 방법 MFP [24]보다 0.1m 우수했다.
• K=6일 때, 테스트 세트에서 최고의 실수율(Miss Rate, MR)을 기록하여 챌린지 후속 참가자들보다 뚜렷하게 뛰어났다.
• 레인 어텐션 모듈은 모델이 미지의 레인으로 일반화할 수 있도록 하여, 훈련 시 한 개의 참조 레인만 제공된 상황에서도 레인 전환과 회전 행동을 성공적으로 예측했다.
• 인스턴스 인식 레인 인코딩은 모델 크기를 감소시키고 모드 붕괴를 방지한다. 반면 통합된 래스터화된 지도 표현은 회전과 같은 다양한 행동을 포괄하지 못해 실패한다.