[论文解读] Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance

Xu Xie, Chi Zhang+3 more|arXiv (Cornell University)|Mar 26, 2021

Autonomous Vehicle Technology and Safety参考文献 84被引用 5

一句话总结

本文提出了一种拥塞感知的多智能体轨迹预测框架，通过基于图的变分自编码器和教师-学生蒸馏方案，显式地将交通拥塞建模为潜在上下文线索。通过将物理直觉（社会力）与基于规划的推理（距离代价）结合于学习到的拥塞模式中，该方法实现了无碰撞的轨迹预测，在专门用于碰撞规避评估的合成数据集上表现优于基线模型，同时在NGSIM US-101高速公路数据集上仍保持竞争力。

ABSTRACT

Predicting agents' future trajectories plays a crucial role in modern AI systems, yet it is challenging due to intricate interactions exhibited in multi-agent systems, especially when it comes to collision avoidance. To address this challenge, we propose to learn congestion patterns as contextual cues explicitly and devise a novel "Sense--Learn--Reason--Predict" framework by exploiting advantages of three different doctrines of thought, which yields the following desirable benefits: (i) Representing congestion as contextual cues via latent factors subsumes the concept of social force commonly used in physics-based approaches and implicitly encodes the distance as a cost, similar to the way a planning-based method models the environment. (ii) By decomposing the learning phases into two stages, a "student" can learn contextual cues from a "teacher" while generating collision-free trajectories. To make the framework computationally tractable, we formulate it as an optimization problem and derive an upper bound by leveraging the variational parametrization. In experiments, we demonstrate that the proposed model is able to generate collision-free trajectory predictions in a synthetic dataset designed for collision avoidance evaluation and remains competitive on the commonly used NGSIM US-101 highway dataset.

研究动机与目标

• 为解决多智能体轨迹预测中的碰撞规避挑战，特别是在密集交通场景下的挑战。
• 通过学习高阶上下文线索（如拥塞模式）来改进基于模式的模型的归纳偏置。
• 将基于物理、基于模式和基于规划的方法原理整合到统一的“感知–学习–推理–预测”框架中。
• 通过显式建模拥塞作为多模态潜在表示，使模型能够生成无碰撞的轨迹。
• 在合成碰撞规避基准和真实世界高速公路数据集上验证该方法。

提出的方法

• 该框架使用教师模型通过图卷积网络（GCN-VAE）学习多模态拥塞模式，其中智能体为节点，智能体间距离为边。
• 教师模型将拥塞编码为潜在因子的高斯混合模型（GMM），表示不同的拥塞状态，如超车或在交叉口让行。
• 学生模型通过对比池化模块（CPM）匹配教师模型学习到的拥塞模式，以预测轨迹。
• 该方法将轨迹预测形式化为带变分参数化的优化问题，以推导上界，确保计算可处理性。
• 学生模型通过两项损失进行训练：一项用于轨迹准确性（L1），另一项用于匹配拥塞模式的分布（L2）。
• 该框架兼容多种编码器-池化-解码器架构，包括基于LSTM的模型，并支持对混合成分数量的消融研究。

实验结果

研究问题

• RQ1 能否有效将拥塞模式建模为多模态潜在表示，以提升无碰撞轨迹预测性能？
• RQ2 通过知识蒸馏将拥塞知识迁移至学生模型，是否能提升轨迹预测性能与安全性？
• RQ3 统一框架能否有效整合物理约束（如社会力）、数据驱动模式与理性决策（规划）以实现更好的泛化能力？
• RQ4 将拥塞建模为分布（通过GMM）与直接匹配潜在特征相比，在性能与鲁棒性方面有何差异？
• RQ5 在真实交通场景下，拥塞模式的最优混合成分数量是多少？

主要发现

• 所提出的模型在专为碰撞规避评估设计的合成数据集上达到了最先进性能。
• 在NGSIM US-101高速公路数据集上，该模型与现有方法相比仍具竞争力，证明了其在真实交通场景中的泛化能力。
• 定性结果表明，该模型能预测出安全行为，如在高风险场景（如激进车辆驶入）下减速与在交叉口让行。
• 该模型成功捕捉到适当的横向间距下的超车行为，而基线模型则或发散，或无法保持安全距离。
• 消融研究证实，将拥塞模式建模为多模态GMM显著优于直接匹配潜在特征的方法。
• 当GMM成分数量与真实拥塞模式数量一致时，模型达到最优性能，验证了该设计选择的合理性。