[논문 리뷰] TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents

Yuexin Ma, Xinge Zhu외 4명|arXiv (Cornell University)|2018. 11. 06.

Autonomous Vehicle Technology and Safety참고 문헌 19인용 수 72

한 줄 요약

TrafficPredict는 이질적 교통 요원(보행자, 자전거, 자동차)에 대한 궤적을 예측하기 위해 4D 그래프에서 두 계층 LSTM 기반 프레임워크를 사용하며, 새 도시 데이터셋에서 기존 방법들에 비해 약 20%의 정확도 향상을 보여준다.

ABSTRACT

To safely and efficiently navigate in complex urban traffic, autonomous vehicles must make responsible predictions in relation to surrounding traffic-agents (vehicles, bicycles, pedestrians, etc.). A challenging and critical task is to explore the movement patterns of different traffic-agents and predict their future trajectories accurately to help the autonomous vehicle make reasonable navigation decision. To solve this problem, we propose a long short-term memory-based (LSTM-based) realtime traffic prediction algorithm, TrafficPredict. Our approach uses an instance layer to learn instances' movements and interactions and has a category layer to learn the similarities of instances belonging to the same type to refine the prediction. In order to evaluate its performance, we collected trajectory datasets in a large city consisting of varying conditions and traffic densities. The dataset includes many challenging scenarios where vehicles, bicycles, and pedestrians move among one another. We evaluate the performance of TrafficPredict on our new dataset and highlight its higher accuracy for trajectory prediction by comparing with prior prediction methods.

연구 동기 및 목표

• 도시 교통에서 이질적인 요원(자동차, 자전거, 보행자)의 안전한 주행을 촉진한다.
• 상호 요원 상호작용과 범주 수준의 움직임 유사성을 고려하는 통합 궤적 예측 프레임워크를 개발한다.
• 다양한 교통 상호작용을 갖는 새로운 도시 궤적 데이터셋을 수집하여 예측 정확도를 평가한다.

제안 방법

• 교통 시퀀스를 트래픽 인스턴스와 카테고리로 표현되는 4D 그래프로 모델링한다.
• 인스턴스 계층의 LSTM을 사용하여 마이크로 수준의 움직임과 엣지를 통한 공간/시간 상호작용을 포착한다.
• 같은 요원 타입 내의 움직임 유사성을 학습하고 예측을 안내하기 위해 슈퍼노드가 있는 카테고리 계층을 도입한다.
• 카테고리 계층에서 자기 주의(self-attention) 메커니즘을 적용하여 과거 패턴과 카테고리 차이를 포착한다.
• 미래 위치를 Gaussian 분포로 예측하고 모든 궤적에 대해 음의 대수우도 손실을 훈련한다.
• 두 계층과 모든 그래프 엣지를 통해 역전파하여 엔드투엔드 학습을 제공한다.

실험 결과

연구 질문

• RQ1 이질적인 교통이 궤적 예측을 위한 단일 통합 프레임워크로 효과적으로 모델링될 수 있는가?
• RQ2 카테고리 수준(유형 기반) 움직임 유사성이 다양한 요원 유형의 예측 정확도를 향상시키는가?
• RQ3 도시 현장에서 요원 간의 공간적 및 시간적 상호작용이 미래 궤적 추정에 어떤 영향을 미치는가?
• RQ4 카테고리 계층 및 자기 주의의 포함이 인스턴스 전용 모델에 비해 예측 정확도에 어떤 차이를 만드는가?

주요 결과

지표	방법	ED	SL	SA	TP-NoCL	TP-NoSA	TrafficPredict
Avg. disp. error (all agents)	pedestrian	0.121	0.135	0.112	0.125	0.118	0.091
Avg. disp. error (all agents)	bicycle	0.112	0.142	0.111	0.115	0.110	0.083
Avg. disp. error (all agents)	vehicle	0.122	0.147	0.108	0.101	0.096	0.080
Avg. disp. error (all agents)	total	0.120	0.145	0.110	0.113	0.108	0.085
Final disp. error (all agents)	pedestrian	0.255	0.173	0.160	0.188	0.178	0.150
Final disp. error (all agents)	bicycle	0.190	0.184	0.170	0.193	0.169	0.139
Final disp. error (all agents)	vehicle	0.195	0.202	0.189	0.172	0.150	0.131
Final disp. error (all agents)	total	0.214	0.198	0.178	0.187	0.165	0.141

• TrafficPredict는 새로운 이질적 교통 데이터셋에서 기존 방법들보다 약 20%의 정확도 향상을 달성한다.
• 4D 그래프가 마이크로(인스턴스 수준)와 매크로(카테고리 수준) 동역학을 모두 포착하여 예측을 개선한다.
• 자기 주의가 포함된 카테고리 계층은 특히 동일 이동 요원을 모델링할 때 상당한 이점을 제공한다.
• Ablation 연구에서 TP-NoCL 및 TP-NoSA가 더 나쁜 성능을 보이며 카테고리 계층 학습과 자기 주의의 가치를 확인한다.
• 모델은 단일 CPU 코어에서 실시간으로 실행되며 Gaussian 기반 위치 예측을 사용한다.
• 이 접근 방식은 평균 및 최종 변위 오차에서 RNN 인코더-디코더, Social LSTM, Social Attention 기반선보다 우수하다.