[논문 리뷰] GRIP++: Enhanced Graph-based Interaction-aware Trajectory Prediction for Autonomous Driving

Xin Li, Xiaowen Ying외 1명|arXiv (Cornell University)|2019. 07. 17.

Autonomous Vehicle Technology and Safety참고 문헌 40인용 수 87

한 줄 요약

GRIP++는 고정 그래프와 학습 가능한 그래프를 결합하여 도시 주행에서의 에이전트 간 상호작용을 포착하고 궤적 예측을 개선하는 GRIP를 확장합니다. ApolloScape에서 최첨단 성능을 달성하고 CS-LSTM보다 실행 속도가 빠릅니다.

ABSTRACT

Despite the advancement in the technology of autonomous driving cars, the safety of a self-driving car is still a challenging problem that has not been well studied. Motion prediction is one of the core functions of an autonomous driving car. Previously, we propose a novel scheme called GRIP which is designed to predict trajectories for traffic agents around an autonomous car efficiently. GRIP uses a graph to represent the interactions of close objects, applies several graph convolutional blocks to extract features, and subsequently uses an encoder-decoder long short-term memory (LSTM) model to make predictions. Even though our experimental results show that GRIP improves the prediction accuracy of the state-of-the-art solution by 30%, GRIP still has some limitations. GRIP uses a fixed graph to describe the relationships between different traffic agents and hence may suffer some performance degradations when it is being used in urban traffic scenarios. Hence, in this paper, we describe an improved scheme called GRIP++ where we use both fixed and dynamic graphs for trajectory predictions of different types of traffic agents. Such an improvement can help autonomous driving cars avoid many traffic accidents. Our evaluations using a recently released urban traffic dataset, namely ApolloScape showed that GRIP++ achieves better prediction accuracy than state-of-the-art schemes. GRIP++ ranked #1 on the leaderboard of the ApolloScape trajectory competition in October 2019. In addition, GRIP++ runs 21.7 times faster than a state-of-the-art scheme, CS-LSTM.

연구 동기 및 목표

• 도시 환경에서 상호 작용이 복잡한 상황에서 자율주행의 궤적 예측을 개선하도록 동기를 부여한다.
• 대상 간 상호 작용을 더 잘 모델하기 위해 고정 그래프와 학습 가능한 그래프를 모두 도입하도록 GRIP++를 제안한다.
• 잔차 연결이 있는 Seq2Seq GRU 기반 궤적 예측기로 이어지는 그래프 컨볼루션 모델을 설계한다.
• 정확도 향상과 속도 향상을 입증하기 위해 고속도로(NGSIM)와 도시(ApolloScape) 데이터셋에서 GRIP++를 평가한다.

제안 방법

• 고정된 이웃 관계와 학습 가능한 인접성을 갖는 그래프로 장면을 표현하여 에이전트 간 상호 작용을 모델링한다.
• 입력 속도에서 특징 채널을 확장하기 위해 2D 1x1 컨볼루션을 적용한다.
• 공간-시간 특징을 학습하기 위해 교대 그래프 연산과 시간적 컨볼루션 층을 사용한다.
• 인코더-디코더 GRU와 잔차 연결을 갖춘 다중 블록 Seq2Seq 궤적 예측기를 활용해 미래 위치를 예측한다.
• Adam으로 엔드-투-엔드 학습한다; 속도 변화량을 예측하고 이를 절대 위치로 변환한다.

실험 결과

연구 질문

• RQ1 도시 시나리오에서 고정 그래프와 학습 가능한 그래프를 결합하는 것이 궤적 예측 정확도에 어떤 영향을 미치는가?
• RQ2 GRIP++가 ApolloScape와 같은 도시 궤적 데이터셋에서 최첨단 방법들을 능가할 수 있는가?
• RQ3 속도 입력과 잔차 연결을 활용하는 것이 장기 예측을 개선하는가?
• RQ4 이웃 거리 임계값이 예측 성능에 미치는 영향은 무엇인가?
• RQ5 정확도를 유지하면서 GRIP++가 CS-LSTM에 비해 속도 면에서 얼마나 우수한가?

주요 결과

예측 수평선 (s)	CV	V-LSTM	C-VGMM + VIM	GAIL-GRU	CS-LSTM(M)	CS-LSTM	GRIP	GRIP++ (Δ CS-LSTM)
1	0.73	0.68	0.66	0.69	0.62	0.61	0.37	0.38
2	1.78	1.65	1.56	1.51	1.29	1.27	0.86	0.89
3	3.13	2.91	2.75	2.55	2.13	2.09	1.45	1.45
4	4.78	4.46	4.24	4.71	3.20	3.10	2.21	2.14
5	6.68	6.27	5.99	4.71	4.52	4.37	3.16	2.94

• GRIP++는 ApolloScape 궤적 데이터에서 최첨단 방법들보다 더 높은 정확도를 달성하고 TrafficPredict와 StarNet을 능가하며 ADE/FDE 지표를 개선한다.
• NGSIM 데이터셋에서 GRIP++는 경쟁력 있는 결과를 제공하며 단기 및 장기 예측 성능이 우수하다.
• 도시 궤적 예측 실험에서 GRIP++는 CS-LSTM보다 21.7배 빠르게 실행된다.
• 특정 실험에서 고정 이웃 임계값(D_close = 25 feet)을 사용하고 근처 객체를 포함하면 예측 정확도가 향상되지만, 이보다 이웃 범위를 확장하면 성능이 저하될 수 있다.
• 모델은 관측된 모든 객체의 궤적을 동시에 예측하여 객체별 예측 방식에 비해 효율성을 제공한다.