[论文解读] Motion Prediction using Trajectory Sets and Self-Driving Domain Knowledge

Freddy A. Boulton, Elena Corina Grigore+1 more|arXiv (Cornell University)|Jun 8, 2020

Autonomous Vehicle Technology and Safety参考文献 30被引用 6

一句话总结

该论文通过将基于地图的领域知识整合到基于分类的轨迹集合框架中，提升了自动驾驶中的运动预测性能。它引入了一种用于在地图数据上进行预训练的离轨辅助损失，从而在小样本数据集上提升性能，并研究了加权交叉熵损失以建模轨迹之间的关系，同时表明序数回归在使用远超以往数量级的锚点轨迹（高达一个数量级）时收益显著。

ABSTRACT

Predicting the future motion of vehicles has been studied using various techniques, including stochastic policies, generative models, and regression. Recent work has shown that classification over a trajectory set, which approximates possible motions, achieves state-of-the-art performance and avoids issues like mode collapse. However, map information and the physical relationships between nearby trajectories is not fully exploited in this formulation. We build on classification-based approaches to motion prediction by adding an auxiliary loss that penalizes off-road predictions. This auxiliary loss can easily be pretrained using only map information (e.g., off-road area), which significantly improves performance on small datasets. We also investigate weighted cross-entropy losses to capture spatial-temporal relationships among trajectories. Our final contribution is a detailed comparison of classification and ordinal regression on two public self-driving datasets.

研究动机与目标

• 解决基于分类的运动预测中缺乏显式利用地图信息和轨迹几何结构的问题。
• 通过仅使用地图信息（如非行驶区域）进行预训练，提升小样本数据集上的泛化能力。
• 探索加权交叉熵损失以编码预测轨迹之间的时空关系。
• 在公开的自动驾驶数据集上，对分类方法与序数回归方法进行严格比较，以评估其可扩展性与性能表现。
• 研究轨迹集合大小对模型性能的影响，特别是对缓解模式崩溃和提升多样性的作用。

提出的方法

• 引入一种辅助的离轨损失，通过仅使用地图数据进行监督，惩罚预测轨迹落在可行驶区域之外的情况。
• 在真实轨迹数据微调之前，仅使用地图信息（如非行驶区域）对运动预测模型进行预训练。
• 设计加权交叉熵损失，其中惩罚项按预测轨迹与真实轨迹之间的距离进行缩放，以强调空间接近性。
• 将先前工作[26]中的离轨损失适配至轨迹集合上的分类任务，实现端到端训练并引入地图先验。
• 在nuScenes和Argoverse数据集上，实现并比较两种最先进模型——CoverNet（基于轨迹集合的分类）与MultiPath（带锚点的序数回归）。
• 将轨迹集合大小（锚点数量或类别数）作为超参数，以研究其对性能和多样性的影响。

实验结果

研究问题

• RQ1 是否可以通过利用地图数据的辅助离轨损失来提升运动预测性能，尤其是在小样本数据集上？
• RQ2 与标准交叉熵损失相比，考虑轨迹接近度的加权交叉熵损失是否能提升预测准确率和多样性？
• RQ3 轨迹集合类别数（或锚点数）对分类和序数回归框架的性能有何影响？
• RQ4 当使用远超以往水平的锚点轨迹数量时，序数回归是否优于基于分类的运动预测方法？
• RQ5 在仅使用地图数据进行预训练的情况下，是否能在低数据场景下实现更好的泛化性能？

主要发现

• 仅使用地图数据即可预训练的离轨辅助损失，显著提升了小样本数据集上的性能，尤其在低数据场景下表现突出。
• 结合离轨损失与预训练策略后，模型泛化能力更强，过拟合现象明显减少，尤其在较小的nuScenes数据集上效果更佳。
• 尽管加权交叉熵损失对近似错误轨迹施加了更高惩罚，但其性能并未优于标准交叉熵损失，表明该形式的改进收益有限。
• 当使用最多1571个锚点（ε=2m）时，序数回归（MultiPath）实现了更优的性能，优于以往研究中在64个锚点以上即出现性能下降的设定。
• 在nuScenes和Argoverse数据集上，ε=2m的设置实现了最佳性能，兼顾了覆盖范围与泛化能力，且相比更小的ε设置，过拟合程度最低。
• 基于分类的模型（CoverNet）在ε=2m时也取得了具有竞争力的结果，但序数回归在使用大量锚点时表现更优，尤其在minADE和MissRate指标上优势明显。