[论文解读] Kinematic Single Vehicle Trajectory Prediction Baselines and Applications with the NGSIM Dataset

Jean Mercat, Nicole El Zoghby+3 more|arXiv (Cornell University)|Aug 29, 2019

Autonomous Vehicle Technology and Safety被引用 10

一句话总结

本论文基于NGSIM I-80和US-101数据集，提出了一套可复现的单体车辆轨迹预测运动学基线方法，采用参数可学习的恒定速度卡尔曼滤波器。通过用LSTM预测的指令替代标准速度指令，改进了不确定性估计，实现了比以往模型更低的RMSE和NLL，同时保持了物理可解释性，并支持更优的协方差估计。

ABSTRACT

In the recent vehicle trajectory prediction literature, the most common baselines are briefly introduced without the necessary information to reproduce it. In this article we produce reproducible vehicle prediction results from simple models. For that purpose, the process is explicit, and the code is available. Those baseline models are a constant velocity model and a single-vehicle prediction model. They are applied on the NGSIM US-101 and I-80 datasets using only relative positions. Thus, the process can be reproduced with any database containing tracking of vehicle positions. The evaluation reports Root Mean Squared Error (RMSE), Final Displacement Error (FDE), Negative Log-Likelihood (NLL), and Miss Rate (MR). The NLL estimation needs a careful definition because several formulations that differ from the mathematical definition are used in other works. This article is meant to be used along with the published code to establish baselines for further work. An extension is proposed to replace the constant velocity assumption with a learned model using a recurrent neural network. This brings good improvements in accuracy and uncertainty estimation and opens possibilities for both complex and interpretable models.

研究动机与目标

• 建立基于NGSIM数据集的可复现、透明的单体车辆轨迹预测基线。
• 通过使用学习得到的LSTM模型重新定义卡尔曼滤波器的指令输入，改进轨迹预测中的不确定性估计。
• 证明经过适当参数调优的简单运动学模型在NLL和误差协方差估计方面优于更复杂的模型。
• 提供开源代码与明确的实现细节，确保在不同数据集上的可复现性。
• 通过建立稳健、可解释且具备物理一致性的基线，实现未来模型之间的公平比较。

提出的方法

• 采用状态向量 $X = (x, v_x, y, v_y)^T$ 的恒定速度卡尔曼滤波器，使用线性转移矩阵 $A$，过程噪声建模为随机加速度。
• 卡尔曼滤波器在每个预测时刻以3秒观测窗口（15帧，采样频率5Hz）为中心进行训练，通过状态初始化与序列更新，实现在 $t_0$ 时刻的精确估计。
• LSTM模型取代卡尔曼滤波器预测步骤中的标准速度指令，RNN单元在每个时间步预测控制输入（如加速度）。
• LSTM通过负对数似然（NLL）损失进行端到端训练，通过分阶段训练（状态初始化与指令预测）以提升训练稳定性。
• 该方法使用通用卡尔曼滤波器框架（公式2–4），可扩展至其他运动学模型，但更复杂的模型（如自行车模型）在实现中出现稳定性问题。
• 验证策略包括将预测误差椭圆叠加在真实轨迹上，以评估协方差估计质量。

实验结果

研究问题

• RQ1 经过适当调优的恒定速度卡尔曼滤波器能否作为单体车辆轨迹预测的可靠、可复现基线？
• RQ2 基于NLL的不确定性评估中，简单卡尔曼滤波器与最先进深度学习模型相比表现如何？
• RQ3 基于LSTM的指令预测器是否能提升轨迹预测精度与不确定性估计，同时保持物理可解释性？
• RQ4 在RNN模型中强制施加运动学结构在多大程度上能提升泛化能力与误差协方差估计？
• RQ5 通过采用一致且明确定义的NLL公式与精细参数调优，是否可能超越已发表模型的性能？

主要发现

• 所提出的卡尔曼滤波器基线在相同数据集上的NLL值更低（例如5秒时为-0.15），表明其不确定性估计更优。
• 与文献[4]中的V-LSTM基线相比，LSTM增强模型在5秒时RMSE降低5.5%（5.95 vs. 6.26），NLL降低0.06。
• 最终位移误差（FDE）在5秒时降低0.08米（4.56 vs. 4.66），误命中率略有降低（0.71 vs. 0.71），表明预测更可靠。
• 研究发现，最先进模型在协方差估计方面通常并未显著优于调优良好的简单卡尔曼滤波器，挑战了文献中的既有假设。
• 该方法支持可解释的约束（如最大加速度），并保持了物理一致性，而潜在空间模型则不具备此特性。
• 尽管该方法在恒定速度模型下表现稳定，但尝试应用于自行车模型时出现优化不稳定性，表明该框架在扩展至复杂动力学时存在局限性。