[论文解读] A New Multi-vehicle Trajectory Generator to Simulate Vehicle-to-Vehicle Encounters

Wenhao Ding, Wenshuo Wang+1 more|arXiv (Cornell University)|Sep 15, 2018

Autonomous Vehicle Technology and Safety参考文献 36被引用 16

一句话总结

本文提出一种基于双向GRU编码器和多分支解码器的多车轨迹生成器（MTG），通过学习的潜在代码生成真实、时空一致的车车交互场景。核心贡献是一种新颖的解耦度量方法，用于评估模型的鲁棒性与潜在代码的独立性，结果显示MTG在生成合理、稳定且可解释的多车交互方面优于VAE和InfoGAN。

ABSTRACT

Generating multi-vehicle trajectories from existing limited data can provide rich resources for autonomous vehicle development and testing. This paper introduces a multi-vehicle trajectory generator (MTG) that can encode multi-vehicle interaction scenarios (called driving encounters) into an interpretable representation from which new driving encounter scenarios are generated by sampling. The MTG consists of a bi-directional encoder and a multi-branch decoder. A new disentanglement metric is then developed for model analyses and comparisons in terms of model robustness and the independence of the latent codes. Comparison of our proposed MTG with $β$-VAE and InfoGAN demonstrates that the MTG has stronger capability to purposely generate rational vehicle-to-vehicle encounters through operating the disentangled latent codes. Thus the MTG could provide more data for engineers and researchers to develop testing and evaluation scenarios for autonomous vehicles.

研究动机与目标

• 为解决自动驾驶测试与训练中多样、高质量多车交互数据稀缺的问题。
• 开发一种深度生成模型，从有限的真实数据中捕捉车辆交互的时空动态。
• 通过解耦运动潜在因子，实现对新交互场景的可控、可解释生成。
• 提出一种新的解耦度量方法，用于评估生成模型中潜在代码的可解释性与鲁棒性。
• 证明MTG生成的轨迹比VAE和InfoGAN等基线模型更具合理性、物理合理性与多样性。

提出的方法

• MTG使用双向GRU编码器将多车轨迹映射到解耦的潜在空间，捕捉时间与空间依赖性。
• 多分支解码器从采样的潜在代码重建轨迹，通过潜在空间操作实现多样化场景生成。
• 模型采用重参数化技巧实现随机采样，支持通过变分推断进行可微训练。
• 提出一种新颖的解耦度量方法，通过分析输出方差对输入方差变化的敏感性，量化潜在代码的独立性与鲁棒性。
• 该度量方法评估某一潜在代码的变化对其他代码的影响，识别潜在空间中的主导因素与依赖关系。
• 框架在真实轨迹数据上端到端训练，评估方式包括轨迹相似性、合理性与解耦性分析。

实验结果

研究问题

• RQ1 深度生成模型能否从有限的真实数据中生成真实、时空一致的多车交互轨迹？
• RQ2 模型中的潜在代码在多大程度上可实现解耦，以独立表示相对速度或转向行为等运动因子？
• RQ3 所提出的解耦度量方法在评估模型鲁棒性与代码独立性方面，相比现有度量方法有何优势？
• RQ4 操纵单个潜在代码是否能导致生成轨迹产生可预测且物理上合理的改变？
• RQ5 MTG在生成合理、稳定且多样的车辆交互场景方面，与VAE和InfoGAN相比表现如何？

主要发现

• MTG生成的轨迹在时空空间上与真实数据的平均距离显著低于VAE与InfoGAN，表现出更高的真实性。
• MTG生成的轨迹展现出更平滑的转向行为，避免了尖锐的角度突变，表明其物理合理性优于VAE。
• 所提出的解耦度量方法成功识别出主导潜在代码（如$z_6$），并揭示了代码间的依赖关系，而传统度量方法在高方差或低信噪比条件下失效。
• MTG表现出潜在代码间近乎零的依赖性——改变一个代码对其他代码影响极小，表明其具有强解耦性与可解释性。
• VAE基线模型表现出显著的代码依赖性，例如$z_8$影响$z_1$与$z_5$，且两个代码（$z_5$与$z_6$）无信息量（输出方差≈1），表明解耦性能差。
• MTG与VAE均表现出输出方差大于输入方差，表明鲁棒性有限，但MTG保持了更稳定、更具可解释性的潜在表征。