[论文解读] Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections

Junha Roh, Christoforos Mavrogiannis+3 more|arXiv (Cornell University)|Nov 8, 2020

Autonomous Vehicle Technology and Safety参考文献 33被引用 10

一句话总结

本文提出多拓扑预测（MTP），一种数据驱动的轨迹预测方法，利用拓扑不变性来建模非受控交叉口处的多模态行为。通过使用拓扑结构编码高概率的多智能体交互模式，MTP在轨迹重建精度上比MFP高出78.24%，并使MTPnav规划器在CARLA仿真中实现多种场景下的无碰撞、高效率导航。

ABSTRACT

We focus on decentralized navigation among multiple non-communicating rational agents at \emph{uncontrolled} intersections, i.e., street intersections without traffic signs or signals. Avoiding collisions in such domains relies on the ability of agents to predict each others' intentions reliably, and react quickly. Multiagent trajectory prediction is NP-hard whereas the sample complexity of existing data-driven approaches limits their applicability. Our key insight is that the geometric structure of the intersection and the incentive of agents to move efficiently and avoid collisions (rationality) reduces the space of likely behaviors, effectively relaxing the problem of trajectory prediction. In this paper, we collapse the space of multiagent trajectories at an intersection into a set of modes representing different classes of multiagent behavior, formalized using a notion of topological invariance. Based on this formalism, we design Multiple Topologies Prediction (MTP), a data-driven trajectory-prediction mechanism that reconstructs trajectory representations of high-likelihood modes in multiagent intersection scenes. We show that MTP outperforms a state-of-the-art multimodal trajectory prediction baseline (MFP) in terms of prediction accuracy by 78.24% on a challenging simulated dataset. Finally, we show that MTP enables our optimization-based planner, MTPnav, to achieve collision-free and time-efficient navigation across a variety of challenging intersection scenarios on the CARLA simulator.

研究动机与目标

• 为解决非通信智能体在非受控交叉口处去中心化、无碰撞导航的挑战。
• 通过利用几何结构和智能体理性，降低多模态轨迹预测的复杂度。
• 利用拓扑不变性形式化高概率的多智能体行为，实现可解释且紧凑的建模。
• 开发一种无需微调即可泛化至多样化交叉口场景的数据驱动预测框架。
• 将预测模型集成至规划器（MTPnav）中，实现在高保真仿真环境下的实时、安全、高效导航。

提出的方法

• MTP将多智能体轨迹行为建模为一组拓扑不变模式，其中同一模式内的轨迹具有相同的拓扑特征（例如，交叉顺序、相对路径）。
• 该方法使用图神经网络编码智能体交互，并为每种拓扑模式预测轨迹代表。
• 拓扑不变性被形式化为数学约束，根据交叉口处的空间与时间排序，将轨迹分组为离散的行为模式。
• 预测模型在自定义模拟器数据集上进行训练，该数据集捕捉了在理性智能体假设下多样化交叉口通行行为。
• MTPnav利用MTP预测的模式，基于效率、通行能力、可能性和顺滑度评估候选自身轨迹，选择最优路径。
• 规划器以去中心化方式运行，智能体之间无显式通信，完全依赖对行为的预测。

实验结果

研究问题

• RQ1 拓扑不变性能否以紧凑且有意义的方式表示非受控交叉口处可能的多智能体行为空间？
• RQ2 引入拓扑结构在多模态轨迹预测的精度与泛化能力方面能提升到何种程度？
• RQ3 基于拓扑信息的预测模型能否在复杂、类真实世界交叉口场景中实现安全高效的导航？
• RQ4 MTP在轨迹重建精度方面与最先进基线方法相比表现如何？
• RQ5 将MTP集成至规划框架中，能否在无显式通信的情况下实现无碰撞且高效率的导航？

主要发现

• 在具有挑战性的非受控交叉口通行模拟数据集上，MTP相较于MFP基线，轨迹重建精度高出78.24%。
• 在双智能体和三智能体复杂场景中，MTPnav将碰撞频率降低至0%，优于自动驾驶仪和MPC基线。
• 在四智能体场景中，MTPnav的碰撞率为28.00%，显著低于自动驾驶仪基线的40.00%。
• 在双智能体场景中，MTPnav将平均到达时间减少19.13±3.78秒；在三智能体场景中减少14.81±1.56秒，优于MPC和自动驾驶仪。
• 该方法在多样化场景中表现出鲁棒性，包括高智能体密度和复杂交互模式的困难情形。
• 利用拓扑不变性实现了对多模态行为的紧凑、可解释且数学基础坚实的表示，提升了模型的泛化能力。