[論文レビュー] A Spatially and Temporally Attentive Joint Trajectory Prediction Framework for Modeling Vessel Intent

Jasmine Sekhon, Cody Fleming|arXiv (Cornell University)|Dec 18, 2019

Maritime Navigation and Safety参考文献 15被引用数 13

ひとこと要約

本稿では、船舶の位置情報のみを用いて周囲の船舶同士の動的相互作用をモデル化することで、船の意思決定を予測する、空間的・時系列的アテンションを組み込んだ深層学習フレームワークを提案する。学習可能な船舶ドメインパラメータとインタリーブドアテンション機構を導入することで、複雑な空間的・時系列的依存関係を捉え、長期的な意思決定予測と、船舶ドメインのような航行ルールのデータ駆動型推論を可能にする。

ABSTRACT

Ships, or vessels, often sail in and out of cluttered environments over the course of their trajectories. Safe navigation in such cluttered scenarios requires an accurate estimation of the intent of neighboring vessels and their effect on the self and vice-versa well into the future. In manned vessels, this is achieved by constant communication between people on board, nautical experience, and audio and visual signals. In this paper we propose a deep neural network based architecture to predict intent of neighboring vessels into the future for an unmanned vessel solely based on positional data.

研究の動機と目的

• 港など混雑した環境における自律水面航行船（ASV）の意思決定予測を改善すること。
• 標準的なLSTMが空間的に重なったエージェント間の相互作用をモデル化する限界を克服すること。
• 船舶ドメインのような暗黙の航行ルールを、手順的仮定を一切用いずに、観測データから直接推論すること。
• ランダムな重み初期化に対しても一貫性のある空間的相互作用パターンを学習できる、頑健で汎用性の高いモデルを開発すること。

提案手法

• 本モデルは、相対的位置、方位、距離に基づいて関連する船舶に動的に注目できるように、LSTMと空間的・時系列的アテンション機構を組み合わせた新規アーキテクチャを採用する。
• 相対方位φ21に応じて変化する学習可能な船舶ドメインパラメータSを導入することで、同じ距離にあっても異なる方向を向いた周囲の船舶に対して異なるアテンション重みを割り当てられる。
• 空間的アテンションと時系列的アテンションをインタリーブさせることで、自船に対する空間的関連性に基づいて、周囲船舶の過去の観測を重み付け可能にし、軌道計画における相互依存性をモデル化する。
• 本モデルはAISの位置情報データ上でエンドツーエンドに訓練され、外部ルールやラベル付きの意思決定アノテーションに依存せずに、将来の軌道と意思決定を予測する。
• アテンション機構により、空間的に近接する船舶間のLSTM隠れ状態が互いに影響し合うようになり、軌道計画における相互依存性をモデル化できる。
• 異なるランダム初期化の複数の実験でフレームワークを検証し、学習された空間的相互作用パターンの頑健性と一貫性を評価する。

実験結果

リサーチクエスチョン

• RQ1 位置情報のみを用いて、複雑で混雑した海上環境における船舶の将来の意思決定を、深層学習モデルが正確に予測できるか？
• RQ2 複数の共存する自律エージェント間の空間的相互作用を捉えるために、系列モデルをどのように拡張できるか？
• RQ3 データ駆動型モデルが、船舶ドメインのような暗黙の航行ルールを観測データからどれほど直接推論できるか？
• RQ4 本モデルのアテンション機構は、異なる学習ランで一貫性があり、解釈可能な空間的相互作用パターンを生成するか？
• RQ5 本モデルが学習した空間的アテンションは、実世界の航行行動（例：対向または交差する船舶に注目を集中）を反映しているか？

主な発見

• 本モデルは、複雑な海上シナリオにおいて、標準的なLSTMよりも優れた意思決定予測精度を達成する空間的・時系列的アテンション表現を効果的に学習した。
• 学習された船舶ドメインパラメータSは、相手船舶が正面から接近する場合（120° ≤ φ21 < 180°）で最大となり、相対方位が±60°の範囲にいる場合に高い注目度を示す。これは、衝突リスクの高い状況に注目していることを示している。
• モデルは、右舷側（60° ≤ φ21 < 120°）から接近する船舶や真っすぐ前から来る船舶に対してより強い注目度を示しており、実世界の航行優先順位を反映している。
• 異なるランダム重み初期化の5回の学習ランで、ドメインパラメータSの値が一貫して収束しており、モデルの頑健性と再現性を示している。
• 自船の後方を進む船舶で、距離が同じでも、進行方向が離れている場合、注目度が低くなる傾向を学習しており、航行的影響が小さいことを反映している。
• 本フレームワークにより、船舶ドメインの幾何学的形状と相互作用ルールのデータ駆動型推論が可能となり、他のモデルや海上自律走行の安全関連システムへの応用が可能となる。