[論文レビュー] DenseTNT: Waymo Open Dataset Motion Prediction Challenge 1st Place Solution

Junru Gu, Qiao Sun+1 more|arXiv (Cornell University)|Jun 27, 2021

Autonomous Vehicle Technology and Safety参考文献 13被引用数 14

ひとこと要約

DenseTNT は、高精細地図上での密度のあるゴール確率推定を用いて、自動運転におけるマルチトラジェクトリ予測のためのアンカーフリーで密度の高いゴール確率推定手法を提案する。アテンションベースの特徴符号化を用いて、HDマップ上の密度のあるゴール分布を予測する。SOTA性能を達成し、Waymo Open Dataset Motion Prediction Challenge で mAP 0.3281 を記録し、1位を獲得した。

ABSTRACT

In autonomous driving, goal-based multi-trajectory prediction methods are proved to be effective recently, where they first score goal candidates, then select a final set of goals, and finally complete trajectories based on the selected goals. However, these methods usually involve goal predictions based on sparse predefined anchors. In this work, we propose an anchor-free model, named DenseTNT, which performs dense goal probability estimation for trajectory prediction. Our model achieves state-of-the-art performance, and ranks 1st on the Waymo Open Dataset Motion Prediction Challenge. Project page is at https://github.com/Tsinghua-MARS-Lab/DenseTNT.

研究の動機と目的

• 既存のゴールベースのトラジェクトリ予測手法における、スパarsな、ヒューリスティックに定義されたゴールアンカーの限界を克服すること。
• 道路面および駐車エリア全体にわたる微細な密度のあるゴール推定を可能にすることで、トラジェクトリ予測性能を向上させること。
• 事前に定義されたアンカーラベルの品質依存性を排除し、すべての可能なゴール位置の連続的確率分布をモデル化すること。
• 1つの位置に対して複数のトラジェクトリを予測できるように、1アンカー1ゴールの制約を撤廃することで、複数のトラジェクトリ予測を可能にすること。
• エンドツーエンドの密度のあるゴール推定とトラジェクトリ生成により、Waymo Open Dataset Motion Prediction Challenge で優れた性能を達成すること。

提案手法

• HDマップおよびエージェントからスパースなシーンコンテキスト特徴をベクトル表現で抽出し、レーンと車両をポリラインとして表現する。
• 1m間隔で道路および駐車エリアにわたってゴールをサンプリングする、密度のあるゴール符号化モジュールを実装し、候補ゴール位置の密度のある集合を生成する。
• 各ゴールとマップ要素（レーン、エージェント）間の局所的コンテキスト特徴を、学習された重みを用いたクエリ/キー/バリューの投影によりアテンション機構を用いて計算する。
• 学習されたスコアの上での微分可能なソフトマックスによりゴール確率を予測し、各ゴールのスコアはその2次元座標を入力として2層のMLPで計算する。
• 予測されたゴールスコアと真値スコアの間のバイナリクロスエントロピー損失を用いてモデルを学習し、最も近い真値ゴールは1、他のゴールは0としてラベル付ける。
• 上位K個の確率が高いゴールを選択するために非最大抑制（NMS）を適用し、その後、トラジェクトリ生成モジュールを用いて完全なトラジェクトリを生成する。

実験結果

リサーチクエスチョン

• RQ1 密度的でアンカーフリーなゴール確率推定は、スパースでアンカーベースの手法よりもマルチトラジェクトリ運動予測で優れた性能を発揮できるか？
• RQ2 各ゴールの周囲で微細な局所的コンテキストをモデル化することで、スパースなアンカーサンプリングと比較して予測精度が向上するか？
• RQ3 アテンションベースの密度的符号化機構は、ゴールとマップ要素の間の構造的および空間的関係を効果的に捉えることができるか？
• RQ4 標準ベンチマーク（Argoverse や Waymo）において、密度的ゴール推定はスパースアンカーベースの手法と比較してどのように性能を発揮するか？
• RQ5 本手法は、運動パターンが異なるさまざまなエージェントタイプ（車両、歩行者、自転車）に一般化可能か？

主な発見

• DenseTNT は、Waymo Open Dataset Motion Prediction Challenge で mAP 0.3281 を記録し、参加した10件の上位エントリの中で1位を獲得した。
• Argoverse Forecasting 検証セットでは、スパースベースラインの minFDE 1.35 を密度モデルが 1.28 に低下させ、ミス率も 9.5% から 8.2% に改善した。
• 車両では mAP 0.3698、歩行者では 0.3342、自転車では 0.2802 を達成し、エージェントタイプにわたる強力な一般化性能を示した。
• 定性的な結果から、直進、左・右折、Uターンを含む多様な予測が得られ、密度のあるゴール確率がマルチモーダル行動を的確に捉えていることが確認された。
• アブレーションスタディの結果、1つの位置に対して複数のトラジェクトリを予測可能にする密度的ゴール推定が、スパースアンカーベース手法に比べて性能向上を実現していることが確認された。
• TVN（2位、mAP 0.3168）や SceneTransformer（mAP 0.2788）といった強力なベースラインを上回り、トラジェクトリの多様性と正確性の両面で顕著な優位性を示した。