[論文レビュー] A Generic Framework for Clustering Vehicle Motion Trajectories

Fazeleh Sadat Hoseini, Sadegh Rahrovani+1 more|arXiv (Cornell University)|Sep 25, 2020

Time Series Analysis and Forecasting参考文献 25被引用数 6

ひとこと要約

本稿では、重要なハイパーパrameterチューニングを必要とせず、長さが異なる車両の運動軌跡をクラスタリングする非パrametricなフレームワーク、DTMMを提案する。時間的整合性を確保するための動的時間ワープ（DTW）を用い、推移的関係を埋め込むためにミニマックス表現学習を採用し、t-SNEを用いて可視化を行う。実世界のデータにおいて高いクラスタリング精度を達成するとともに、GANによって生成された合成軌跡が実際のクラスタと整合的であることを検証した。

ABSTRACT

The development of autonomous vehicles requires having access to a large amount of data in the concerning driving scenarios. However, manual annotation of such driving scenarios is costly and subject to the errors in the rule-based trajectory labeling systems. To address this issue, we propose an effective non-parametric trajectory clustering framework consisting of five stages: (1) aligning trajectories and quantifying their pairwise temporal dissimilarities, (2) embedding the trajectory-based dissimilarities into a vector space, (3) extracting transitive relations, (4) embedding the transitive relations into a new vector space, and (5) clustering the trajectories with an optimal number of clusters. We investigate and evaluate the proposed framework on a challenging real-world dataset consisting of annotated trajectories. We observe that the proposed framework achieves promising results, despite the complexity caused by having trajectories of varying length. Furthermore, we extend the framework to validate the augmentation of the real dataset with synthetic data generated by a Generative Adversarial Network (GAN) where we examine whether the generated trajectories are consistent with the true underlying clusters.

研究の動機と目的

• 自律走行のシナリオ分析において、長さが異なる実世界の車両軌跡をクラスタリングする課題に対処すること。
• 重要なハイパーパrameterに依存しない、非パrametricな教師なしクラスタリングフレームワークの開発。
• GANによって生成された合成軌跡の品質を、実世界の軌跡クラスタとの整合性を評価することで検証すること。
• レアなシナリオ（例：割り込み）の実データが不足している状況でも、効果的なクラスタリングを可能にすること。
• 自律走行車両開発における交通シナリオデータベースの構築・保守に、スケーラブルで頑健なツールを提供すること。

提案手法

• 時間的不一致を測定するために、動的時間ワープ（DTW）を用いて軌跡を時間的に整列させる。
• DTWに基づく不一致を、ミニマックス表現学習を用いて低次元のベクトル空間に埋め込む。
• 埋め込み空間から推移的関係を抽出し、クラスタの分離性を向上させる。
• 構造的関係を保持したまま、推移的関係を新たなベクトル空間に再埋め込む。
• 最終的な埋め込み空間に対してクラスタリングアルゴリズム（例：GMM）を適用し、最適なクラスタを特定する。
• 実軌跡データセットに、GAN（RecAE-GAN、RecAE-WGAN）から生成された合成軌跡を補強して、少数クラスのクラスタリング性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 重要なハイパーパrameterチューニングを必要とせず、長さが異なる車両軌跡を効果的にクラスタリングできる非パrametricフレームワークは存在するか？
• RQ2 ペアワイズ不一致から導出された推移的関係は、複雑で細長い軌跡形状において、クラスタ分離性をどの程度向上できるか？
• RQ3 GANによって生成された合成軌跡は、実世界のドライブシナリオの構造的および分布的特性をどの程度保持しているか？
• RQ4 本フレームワークは、データが少ない状況において、合成軌跡の品質を検証するツールとして機能できるか？
• RQ5 GANによって生成された軌跡によるデータ補強は、カットイン行動などまれだが重要なドライブシナリオのクラスタリング性能を顕著に向上させるか？

主な発見

• DTMMは、合成軌跡を補強したデータセットにおいて、実データが限られている状況でも、完全なクラスタリング性能（ランダムインデックス = 1.0、相互情報量 = 1.0）を達成した。
• フレームワークは安定性と頑健性を示し、埋め込み次元（d ≥ 1）の変更に関わらず一貫した結果を示した。これは、ハイパーパrameterチューニングの必要性が極めて低いことを示している。
• t-SNEの可視化結果から、最終的な埋め込み空間における軌跡が明確に分離されており、クラスタごとに識別可能であることが確認された。
• エルボー法により、埋め込みの最適次元d=2が特定された。このとき、固有値の減衰が明確な分離点を示していた。
• GANによって生成された軌跡（RecAE-GANおよびRecAE-WGAN）は、視覚的および定量的に、実際の軌跡クラスタと整合的であり、DTMMのクラスタリング結果によって裏付けられた。
• 実データが不足している場合（Set4）、DTMMは正しくクラスタリングできなかったが、GAN補強データ（Set5およびSet6）を用いることで、完全なクラスタリングが回復した。これにより、合成データの有効性が確認された。