[논문 리뷰] Map-Adaptive Goal-Based Trajectory Prediction

Lingyao Zhang, Po-Hsun Su외 3명|arXiv (Cornell University)|2020. 09. 09.

Autonomous Vehicle Technology and Safety참고 문헌 26인용 수 30

한 줄 요약

GoalNet은 지도에서 도출한 목표 경로를 제시하고 목표 기반 및 모션 기반 모드를 그래프 네트워크로 모델링하여 다중 모드의 장기 차량 궤적을 예측합니다. 이는 임의의 지도 기하학에 적응하며 내부 및 nuScenes 데이터셋에서 기준선보다 우수한 성능을 보입니다.

ABSTRACT

We present a new method for multi-modal, long-term vehicle trajectory prediction. Our approach relies on using lane centerlines captured in rich maps of the environment to generate a set of proposed goal paths for each vehicle. Using these paths -- which are generated at run time and therefore dynamically adapt to the scene -- as spatial anchors, we predict a set of goal-based trajectories along with a categorical distribution over the goals. This approach allows us to directly model the goal-directed behavior of traffic actors, which unlocks the potential for more accurate long-term prediction. Our experimental results on both a large-scale internal driving dataset and on the public nuScenes dataset show that our model outperforms state-of-the-art approaches for vehicle trajectory prediction over a 6-second horizon. We also empirically demonstrate that our model is better able to generalize to road scenes from a completely new city than existing methods.

연구 동기 및 목표

• 고해상도 지도 차선 중앙선을 활용하여 행위자 목표를 추론하고 장거리 궤적 예측을 수행합니다.
• 가변 수의 목표를 통해 임의의 차선 위상에 대응할 수 있는 지도 적응 프레임워크를 개발합니다.
• 준수 운전 및 비준수 운전 행동을 모두 포착하기 위해 목표 기반 및 모션 기반 궤적 모드를 통합합니다.
• 경로 상대 좌표 프레임을 활용하여 도로 기하학 및 장면 간 일반화를 향상합니다.

제안 방법

• 검색 반경 내 차선 중앙선으로부터 각 행위자에 대한 가변 수의 목표 경로 집합을 생성합니다.
• 인코더와 경로 정렬 레스터를 사용하여 행위자 상태, 경로상 맥락 및 목표 경로를 인코딩합니다.
• 하나의 행위자 노드와 다수의 목표 노드가 있는 그래프 네트워크를 사용하여 각 목표에 연결된 궤적을 예측합니다.
• 출력을 경로 상대 프레임으로 표현하여 경로상 축과 횡방향 축 구성요소를 구분합니다.
• 목표 기반 및 비목표(모션 기반) 궤적 모드를 통해 공간적 및 시간적 다중모달성을 모델링합니다.
• 모드에 대한 분류 손실과 궤적 구성요소에 대한 회귀 손실을 결합한 합동 손실로 학습합니다.

실험 결과

연구 질문

• RQ1 지도 도출 목표 경로가 각 행위자에 대해 컴팩트하고 해석 가능한 다중 모드 예측을 제공할 수 있는가?
• RQ2 지도 적응형의 집합 기반 예측 프레임워크가 장기 예측 정확도와 새로운 도시로의 일반화를 개선하는가?
• RQ3 목표 기반 및 모션 기반 모드의 통합이 예측 커버리지와 오차 지표에 어떤 영향을 미치는가?
• RQ4 경로 상대 프레임이 다양한 도로 기하학에서의 학습과 일반화에 어떤 영향을 미치는가?

주요 결과

방법	데이터셋	최소1ADE	최소1FDE	최소3ADE	최소3FDE	최소5ADE	최소10ADE	E_ADE
MTP	internal	2.67 (2.77)	7.08 (7.65)	1.69 (2.10)	4.36 (5.92)	1.69 (2.10)	1.69 (2.10)	2.98 (2.82)
MTP	nuScenes	—	—	—	—	—	—	—
MultiPath	internal	2.91 (4.01)	7.69 (10.39)	1.78 (2.40)	4.61 (6.24)	1.44 (1.85)	1.14 (1.35)	3.33 (4.13)
MultiPath	nuScenes	—	—	—	—	—	—	—
CoverNet	nuScenes	—	—	—	—	—	—	—
GoalNet-1T	internal	2.27 (2.13)	5.90 (5.79)	1.86 (1.77)	4.70 (4.75)	1.80 (1.75)	1.79 (1.75)	2.35 (2.18)
GoalNet-1T	nuScenes	1.99 (1.46)	—	—	—	—	—	—
GoalNet-2T	internal	2.53 (2.44)	6.57 (6.63)	1.53 (1.41)	3.83 (3.66)	1.34 (1.27)	1.28 (1.22)	2.79 (2.60)
GoalNet-2T	nuScenes	—	—	—	—	—	—	—

• GoalNet은 내부 및 nuScenes 데이터셋에서 여러 지표에 대해 최첨단 성능을 달성합니다.
• GoalNet-1T(공간 모드당 1개의 시간 모드) 및 GoalNet-2T(2개의 시간 모드)는 강력한 결과를 보이며, GoalNet-2T가 대부분의 지표에서 탁월한 경향을 보입니다.
• 모델은 가변 수의 궤적 모드를 사용하여 장면 기하학에 적응하며, 고정된 과도한 궤적 집합의 필요를 줄입니다.
• 장거리 예측에서 횡방향 오차가 크게 감소하는 경향이 확인되어 장기 예측에 유리함을 보여줍니다.
• 도시 간 일반화에서 GoalNet은 보이지 않는 도시에서 테스트될 때 기준선보다 성능 저하가 작아 지도 적응형 구성적 귀납 바이어스를 시사합니다.
• Ablation 연구에서 경로 래스터와 경로 상대 투영이 ATE/CTE 및 전반적 예측 품질 향상에 기여합니다.