[논문 리뷰] Scene Induced Multi-Modal Trajectory Forecasting via Planning

Nachiket Deo, Mohan M. Trivedi|arXiv (Cornell University)|2019. 05. 23.

Autonomous Vehicle Technology and Safety참고 문헌 15인용 수 10

한 줄 요약

이 논문은 목표 예측, 경로 계획을 위한 역강화학습(irl), 그리고 주의 기반 궤적 생성을 통합하여 미지의 환경에서 다중 모달 궤적 예측을 위한 계획 기반 접근법을 제안한다. 이는 목표 상태나 현장 특화 보상 함수를 사전에 요구하지 않으며, 새로운 환경으로의 일반화가 효과적으로 이루어지며, 스탠포드 드론 데이터셋에서 mADE 15.73과 mFDE 28.18의 최신 기술 성능을 달성한다.

ABSTRACT

We address multi-modal trajectory forecasting of agents in unknown scenes by formulating it as a planning problem. We present an approach consisting of three models; a goal prediction model to identify potential goals of the agent, an inverse reinforcement learning model to plan optimal paths to each goal, and a trajectory generator to obtain future trajectories along the planned paths. Analysis of predictions on the Stanford drone dataset, shows generalizability of our approach to novel scenes.

연구 동기 및 목표

• 에이전트가 다수의 목표와 경로를 가질 수 있는 미지의 환경에서 다중 모달 궤적 예측의 과제를 해결하기 위해.
• 재구성 기반 모델에서 발생하는 모드 붕괴를 방지하기 위해 환경 유도 목표 분포와 최적 경로를 명시적으로 모델링하기 위해.
• 목표 상태나 현장 특화 보상 함수에 대한 사전 지식 없이도 새로운 환경으로의 일반화를 가능하게 하기 위해.
• 지속적인 시간 인식 궤적 생성을 통해 궤적 예측의 시간 역학을 유지하기 위해.
• 환경 맥락, 과거 운동, 그리고 학습된 보상 구조를 통합하여 예측 정확도와 다양성을 향상시키기 위해.

제안 방법

• 목표 예측 모델은 전체 컨volutional 네트워크(FCN)를 사용해 환경를 인코딩하고, 과거 궤적을 인코딩하기 위해 GRU를 사용하며, 특징 융합과 소프트맥스를 통해 목표 히트맵을 예측한다.
• 최대 엔트로피 딥 IRL을 사용하는 역강화학습 모델은 국소적 환경 특징과 운동 패tern을 기반으로 현장 특화 보상 지ap을 학습하여 예측된 목표로의 최적 경로 계획을 가능하게 한다.
• 궤적 생성기에서는 양방향 GRU를 사용해 계획된 경로 웨이포인트를 인코딩하고, 소프트 어텐션을 갖춘 GRU 디코더를 사용해 지속적이고 시간에 따라 해상도가 높은 미래 궤적을 생성한다.
• 이 방법은 목표 예측과 경로 계획을 함께 최적화하며, 과거 운동과 계획된 경로에 조건이 붙은 궤적 생성을 통해 시간적 일관성을 확보한다.
• 보상 지도는 국소적 환경 패치에서 학습되므로, 재학습 없이도 새로운 환경으로의 일반화가 가능하다.
• 구조화된 계획 파이프라인을 통해 다수의 가능성이 있는 목표와 경로를 명시적으로 모델링함으로써 모드 붕괴를 방지한다.

실험 결과

연구 질문

• RQ1 목표 위치에 대한 사전 지식 없이도, 새로운 보기를 가지는 환경로에서 계획 기반 접근법이 다중 모달 궤적 예측을 일반화할 수 있는가?
• RQ2 복잡한 환경에서 다중 모달 궤적을 예측하기 위해 환경 맥락과 과거 운동을 어떻게 함께 모델링할 수 있는가?
• RQ3 최대 엔트로피 원칙을 적용한 역강화학습을 통해 흡수 목표 상태가 필요 없이 다양한 환경에 부합하는 경로를 생성할 수 있는가?
• RQ4 궤적 생성에 시간 역학을 통합할 경우, 정적 경로 샘플링 대비 얼마나 더 정확한 예측 성능을 향상시킬 수 있는가?
• RQ5 인코딩된 웨이포인트에서 주의 기반 궤적 생성이 엔드 투 엔드 생성 모델보다 더 정확하고 다양한 예측을 제공하는가?

주요 결과

• 제안된 방법은 스탠포드 드론 데이터셋에서 mADE 15.73과 mFDE 28.18의 최신 기술 성능을 달성하여, SocialGAN, DESIRE, MATF GAN, SoPhie와 같은 이전 방법들을 능가한다.
• SDD 벤치마크에서 다양한 환경에서 일관된 성능을 보이며, 새로운 환경으로의 일반화가 효과적으로 이루어진다.
• 정성적 결과에서는 과거 운동과 환경 제약 조건을 모두 고려한 다양한 환경에 부합하는 궤적을 보여준다.
• 환경 기반 및 운동 기반 보상 지도의 통합은 새로운 구성에서도 견고한 경로 계획을 가능하게 한다.
• 주의 기반 궤적 생성기는 관련 웨이포인트에 집중하여 4.8초 간격의 시간적으로 일관되고 정확한 예측을 생성한다.
• 이 방법은 사전 정의된 목표 상태가 필요 없으며, 이는 이전의 최대 엔트로피 IRL 접근법의 핵심 한계를 극복한다.