[論文レビュー] Behavioral Intention Prediction in Driving Scenes: A Survey

Jianwu Fang, Fan Wang+2 more|arXiv (Cornell University)|Nov 1, 2022

Autonomous Vehicle Technology and Safety被引用数 14

ひとこと要約

本調査は、ドライビングシーンにおける行動意思決定予測（BIP）について、データセット、主な課題、歩行者中心および車両中心のアプローチ、およびBIPに配慮した応用をカバーする包括的なレビューを提供する。データ駆動型のディープラーニングが支配的であるとされ、意思決定の多様性と安全に深刻な影響を及ぼすシナリオのモデリングにおける制限が指摘され、将来の方向性として因果推論、マルチモーダル性、および合成データと実データの統合が、自律走行システムにおける予測精度と説明可能性の向上に有望であると提言される。

ABSTRACT

In the driving scene, the road agents usually conduct frequent interactions and intention understanding of the surroundings. Ego-agent (each road agent itself) predicts what behavior will be engaged by other road users all the time and expects a shared and consistent understanding for safe movement. Behavioral Intention Prediction (BIP) simulates such a human consideration process and fulfills the early prediction of specific behaviors. Similar to other prediction tasks, such as trajectory prediction, data-driven deep learning methods have taken the primary pipeline in research. The rapid development of BIP inevitably leads to new issues and challenges. To catalyze future research, this work provides a comprehensive review of BIP from the available datasets, key factors and challenges, pedestrian-centric and vehicle-centric BIP approaches, and BIP-aware applications. Based on the investigation, data-driven deep learning approaches have become the primary pipelines. The behavioral intention types are still monotonous in most current datasets and methods (e.g., Crossing (C) and Not Crossing (NC) for pedestrians and Lane Changing (LC) for vehicles) in this field. In addition, for the safe-critical scenarios (e.g., near-crashing situations), current research is limited. Through this investigation, we identify open issues in behavioral intention prediction and suggest possible insights for future research.

研究の動機と目的

• ドライビングシーンにおける行動意思決定予測（BIP）の体系的レビューを提供すること。特に最近の進展と未解決の課題に焦点を当てる。
• BIPにおける道路構造表現、社会的相互作用モデリング、予測不確実性といった重要な要因を分析すること。
• 歩行者中心と車両中心のBIPアプローチを比較し、手法上の違いとパフォーマンスのトレンドを強調すること。
• 現在のデータセットにおけるギャップ、特に意図タイプの多様性が不足していること、およびニアクラッシュシナリオのカバーが不十分であることを特定すること。
• BIPに配慮した応用、例えばリスク評価、衝突予測、V2X連携を検討し、今後の研究方向性を提案すること。

提案手法

• 2013年から2022年までの高品質な20件の調査および最近のBIP関連研究を対象とした体系的文献レビューを実施し、自律走行における行動意思決定予測に焦点を当てる。
• 利用可能なBIPデータセットを分類・分析し、その範囲、アノテーション品質、および「渡り歩く」や「レーン変更」などの意図タイプのカバレッジを評価する。
• 複雑な社会的相互作用のモデリング、予測不確実性の取り扱い、道路構造および交通ルールの表現といった主な課題を特定・議論する。
• 最新のディープラーニングモデルをレビューし、相互作用モデリングに向けたマルチモーダル推論、アテンション機構、グラフニューラルネットワークの強調する。
• 因果推論と対仮説的分析を、安全に深刻な影響を及ぼすシナリオにおけるモデルの説明可能性と耐性向上のための新興技術として紹介する。
• VIENA 2 や DeepAccident といったベンチマークを用いて、衝突予測、TTC延長、V2X協調などのBIPに配慮した応用を評価する。

実験結果

リサーチクエスチョン

• RQ1 行動意思決定予測における支配的であるデータ駆動型ディープラーニングアプローチは何か。また、それらは道路エージェント間の相互作用をどのようにモデリングするか。
• RQ2 なぜ現在のデータセットでは意図の多様性が制限されているのか。これはBIPモデルの一般化をどのように制限するのか。
• RQ3 因果推論と対仮説的分析は、安全に深刻な影響を及ぼすドライブシナリオにおけるBIPモデルの説明可能性と耐性をどのように向上させるか。
• RQ4 BIPにおける道路構造、社会的相互作用、予測不確実性のモデリングにおける主な課題は何か。
• RQ5 BIPは、衝突予測やV2X連携を含む、自律走行の広範な応用にどのように統合できるか。

主な発見

• データ駆動型ディープラーニングがBIPの主なパイプラインとなった。多くの手法が、シーケンスモデリングとアテンションベースの相互作用推論にエンドツーエンドのニューラルネットワークに依存している。
• 現在のデータセットは、歩行者に対して「渡り歩く」と「渡らない」、車両に対して「レーン変更」といった少数の意図タイプに限定してラベル付けされている。これにより、モデルの一般化と多様性が制限されている。
• ニアクラッシュまたは安全に深刻な影響を及ぼすシナリオは、既存のデータセットおよびモデルにおいて依然として不足している。これは、耐性評価における顕著なギャップを示している。
• 因果推論と対仮説的分析は、説明可能性の向上に向けた有望な技術として登場しており、CausalAF や STEEK といった手法は、因果理解と耐性の向上を実証している。
• 衝突予測やTTC延長といったBIPに配慮した応用は強く有望であり、VIENA 2 や DeepAccident といったベンチマークにより、協調的および仮想ドライブシナリオにおけるBIPの評価が可能になっている。
• V2Xおよび道路・車両連携において、複数エージェント間で一貫した意図理解が不可欠であり、一貫性を実現するためのキーエンablerとして、空間的・時間的ウィンドウ分割が提案されている。