[論文レビュー] Joint Interaction and Trajectory Prediction for Autonomous Driving using Graph Neural Networks

Donsuk Lee, Yiming Gu+2 more|arXiv (Cornell University)|Dec 17, 2019

Autonomous Vehicle Technology and Safety参考文献 24被引用数 30

ひとこと要約

本論文では、将来の軌道から弱教師付きラベル関数を用いて相互作用ラベルを生成することで、交通シーンにおける車両の軌道と離散的相互作用モード（譲る、先に行うなど）を同時に予測するグラフニューラルネットワークを提案する。モデルはペairワイズ相互作用意図を明示的にモデル化することで、大規模な実世界データセット上で1.579mの平均変位誤差を達成し、状態を凌駕する軌道予測精度を実現した。また、人間によるアノテーションが不要な状態で意味的に明確な相互作用モードを学習した。

ABSTRACT

In this work, we aim to predict the future motion of vehicles in a traffic scene by explicitly modeling their pairwise interactions. Specifically, we propose a graph neural network that jointly predicts the discrete interaction modes and 5-second future trajectories for all agents in the scene. Our model infers an interaction graph whose nodes are agents and whose edges capture the long-term interaction intents among the agents. In order to train the model to recognize known modes of interaction, we introduce an auto-labeling function to generate ground truth interaction labels. Using a large-scale real-world driving dataset, we demonstrate that jointly predicting the trajectories along with the explicit interaction types leads to significantly lower trajectory error than baseline methods. Finally, we show through simulation studies that the learned interaction modes are semantically meaningful.

研究の動機と目的

• 自律走行における車両、歩行者、その他のエージェント間の相互作用を明示的にモデル化することで、軌道予測の精度を向上させること。
• グラフニューラルネットワークを用いて、将来の軌道と離散的相互作用タイプ（例：譲る、先に行う）を同時に予測する手法を開発すること。
• 相互作用タイプのヒューリスティックに基づく自動ラベル付け関数を導入することで、高価な人間によるアノテーションラベルに依存するのを減らすこと。
• 相互作用タイプをモデル化することで、複雑な交通シーンにおける軌道予測精度と解釈可能性が向上するかを評価すること。
• シミュレーションとアブレーションスタディを通じて、学習された相互作用モードが意味的に明確であることを示すこと。

提案手法

• ノードがエージェントを表し、エッジがそれらの間のペアワイズ相互作用意図を表すグラフニューラルネットワークを構築し、メッセージパッシングによりエッジ特徴量を学習する。
• マルチヘッド予測ヘッドを用いて、軌道と相互作用分類のための別々の損失成分を持つことで、将来の軌道と離散的相互作用タイプを同時に予測する。
• 自動ラベル付け関数が、ヒューリスティクス（例：一方のエージェントが停止しているのに対し、もう一方が進行している場合、前者は「譲る」とラベル付けされる）を用いて、将来の軌道データから相互作用ラベルを生成する。
• 相互作用タイプは離散変数（例：「譲る」「先に行う」「無視」）としてモデル化され、エージェントの距離と相対運動に基づいてグラフ構造が動的に更新される。
• 軌道予測のためのMSE損失と相互作用タイプ分類のための交差エントロピー損失の重み付き組み合わせでモデルを訓練し、ハイパーパrameter α がバランスを制御する。
• アブレーションスタディでは、教師あり vs. 教師なしの相互作用学習を比較し、特定のエッジタイプ（例：「無視」エッジ）をグラフに含める・含めない場合の影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 相互作用を無視するモデルと比較して、軌道と離散的相互作用タイプの同時予測が、軌道予測精度を向上させるか？
• RQ2 相互作用を離散的かつ解釈可能な変数としてモデル化することで、自律走行システムにおけるより意味的に明確で説明可能な挙動が得られるか？
• RQ3 ヒューリスティックに基づく自動ラベル付け関数は、人間によるアノテーションなしで信頼性の高い相互作用ラベルを生成できるか？
• RQ4 「無視」相互作用エッジを含めることで、モデルの性能と解釈可能性にどのような影響があるか？
• RQ5 弱教師付きラベルデータを用いた場合、教師なし相互作用学習が教師あり学習を上回るか？

主な発見

• 同時予測モデルは、平均変位誤差（DPE）が1.579mに達し、ベースラインRNNモデル（2.051m）および他のすべての変種を顕著に上回った。
• 教師なし相互作用学習を用いたモデル（1.579m DPE）は、教師ありバージョン（1.611m DPE）をわずかに上回り、自動ラベル付け関数の改善の余地があることを示唆した。
• グラフに「無視」エッジを含めることで性能が向上し、非相互作用のモデル化が軌道予測に有益であることが示された。
• アノテーションの正確な相互作用タイプを使用するオラクルモデルは、最高の性能（1.638m DPE）を達成し、相互作用モデル化が軌道精度を向上させることを確認した。
• マップ特徴量を使用しないにもかかわらず、マップおよびシーンコンテキストを考慮したモデル[11]と同等の性能（沿線誤差：0.477m vs. 0.334m）を達成した。
• シミュレーションスタディにより、予測された相互作用モードが意味的に明確であることが確認され、軌道が意図された相互作用行動（例：譲る、先に行う）と整合的であった。