[論文レビュー] Maneuver-based Anchor Trajectory Hypotheses at Roundabouts

Mohamed Hasan, Evangelos Paschalidis+4 more|arXiv (Cornell University)|Apr 22, 2021

Autonomous Vehicle Technology and Safety参考文献 25被引用数 4

ひとこと要約

本稿では、ラウンドアバウトにおけるマルチモーダルな車両の運動予測のため、マニピュレーションベースのアンカートレースバックアプローチを提案する。エンコーダデコーダLSTMモデルを用い、マニピュレーション固有のアンカートレースバックを組み合わせることで、予測精度を向上させる。ドライバーの意図を離散的なマニピュレーションとしてモデル化し、アンカートレースバックからの残差を回帰することで、RounDデータセット上で最良のベースラインと比較して平均RMSEを28%削減した。

ABSTRACT

Predicting future behavior of the surrounding vehicles is crucial for self-driving platforms to safely navigate through other traffic. This is critical when making decisions like crossing an unsignalized intersection. We address the problem of vehicle motion prediction in a challenging roundabout environment by learning from human driver data. We extend existing recurrent encoder-decoder models to be advantageously combined with anchor trajectories to predict vehicle behaviors on a roundabout. Drivers' intentions are encoded by a set of maneuvers that correspond to semantic driving concepts. Accordingly, our model employs a set of maneuver-specific anchor trajectories that cover the space of possible outcomes at the roundabout. The proposed model can output a multi-modal distribution over the predicted future trajectories based on the maneuver-specific anchors. We evaluate our model using the public RounD dataset and the experiment results show the effectiveness of the proposed maneuver-based anchor regression in improving prediction accuracy, reducing the average RMSE to 28% less than the best baseline. Our code is available at https://github.com/m-hasan-n/roundabout.

研究の動機と目的

• ラウンドアバウトのような非構造的で動的な環境におけるマルチモーダルな車両軌道予測の向上を図ること。
• 「減速する」や「ゾーンに進む」などの意味的マニピュレーションを用いて、人間ドライバーの意図をモデル化すること。
• 再帰的エンコーダデコーダフレームワークにマニピュレーション固有のアンカートレースバックを組み込むことで、予測精度を向上させること。
• アンカーに基づく回帰と確率的プーリングを用いて、将来的な軌道のマルチモーダル分布を生成すること。
• 公開されているRounDデータセット上でモデルを評価し、既存のベースラインを上回ることを示すこと。

提案手法

• モデルは、エゴ車両と周辺車両間の相互作用を符号化するために、ソーシャルプーリング機構を備えたシーケンス・ツー・シーケンスLSTMエンコーダデコーダアーキテクチャを用いる。
• ドライバーの意図は離散的なマニピュレーションとしてモデル化され、それぞれが意味的ドライブ行動を表す固定アンカートレースバックに関連付けられる。
• マニピュレーション認識モジュールが各マニピュレーションの確率を予測し、それにより対応するアンカートレースバックが選択される。
• モデルはアンカートレースバックからの残差を回帰することで、予測された将来的な経路を精緻化し、多変量ガウス分布を用いた不確実性モデリングを可能にする。
• 多変量ガウス出力を扱うためにプーリング戦略が拡張され、軌道推定精度が向上した。
• モデルはネガティブ・ログ尤度損失を用いてエンド・ツー・エンドで訓練され、RounDデータセット上でRMSEを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 マニピュレーション固有のアンカートレースバックは、ラウンドアバウトにおけるマルチモーダルな車両運動予測を改善できるか？
• RQ2 離散的マニピュレーションによるドライバーの意図モデリングを組み込むことで、予測精度はどのように変化するか？
• RQ3 複雑なラウンドアバウト環境において、アンカーに基づく残差回帰は、直接的な軌道回帰を上回るか？
• RQ4 GMMを用いたアンカートレースバック上のマルチモーダル分布は、単一の最良推定値予測と比較して、どのような影響を及ぼすか？
• RQ5 位置情報のみのモデリングと比較して、車両のポーズ（位置とヘディング）を含めることは、軌道予測においてどのような差を生じるか？

主な発見

• すべての予測ホライズンで最小のRMSEを達成した3D-A-Wモデルは、各アンカーからのMAP軌道推定値の確率加重和を出力する。
• 3D-A-Wモデルは、最良のベースラインモデル（3D-M）と比較して平均RMSEを28%削減し、マルチモーダル推定の有効性を示した。
• 車両のヘディング（3D）を組み込むことで、位置情報のみ（2D）のモデリングよりも予測精度が向上し、特に長いホライズンで顕著であった。
• マニピュレーション認識モジュールを追加した3D-Mモデルは、3Dベースラインと比較して平均RMSEを約24%削減し、意図モデリングの価値を示した。
• 1つの最も確率の高いアンカーを選択する3D-A-Pモデルですら、すべてのベースラインを上回っており、アンカーに基づく回帰の利点を示した。
• モデルは1秒予測でRMSE 0.38m、2秒で0.80m、3秒で1.76m、4秒で3.08mを達成し、3D-A-Wバージョンが3D-A-Pバージョンを常に上回った。