[論文レビュー] Online Vehicle Trajectory Prediction using Policy Anticipation Network and Optimization-based Context Reasoning

Wenchao Ding, Shaojie Shen|arXiv (Cornell University)|Mar 3, 2019

Autonomous Vehicle Technology and Safety参考文献 25被引用数 7

ひとこと要約

本論文は、LSTMを用いたポリシー予測ネットワークと、レーン幾何学や交通ルールなどの複雑な都市要因をマルチレイヤーのコストマップに統合する最適化ベースの文脈推論モジュールを組み合わせた、オンライン二段階の車両軌道予測フレームワークを提案する。本手法は、多様な都市環境下でベースラインと比較して44–56%高い精度を達成し、1回の予測あたり22.6 msで実行され、自律走行システムにおける頑健性とリアルタイム実行可能性を示している。

ABSTRACT

In this paper, we present an online two-level vehicle trajectory prediction framework for urban autonomous driving where there are complex contextual factors, such as lane geometries, road constructions, traffic regulations and moving agents. Our method combines high-level policy anticipation with low-level context reasoning. We leverage a long short-term memory (LSTM) network to anticipate the vehicle's driving policy (e.g., forward, yield, turn left, turn right, etc.) using its sequential history observations. The policy is then used to guide a low-level optimization-based context reasoning process. We show that it is essential to incorporate the prior policy anticipation due to the multimodal nature of the future trajectory. Moreover, contrary to existing regression-based trajectory prediction methods, our optimization-based reasoning process can cope with complex contextual factors. The final output of the two-level reasoning process is a continuous trajectory that automatically adapts to different traffic configurations and accurately predicts future vehicle motions. The performance of the proposed framework is analyzed and validated in an emerging autonomous driving simulation platform (CARLA).

研究の動機と目的

• 複雑な都市環境における将来的な車両軌道のマルチモーダル性に対処すること。具体的には、複数の意図（例：左折、譲る、直進）が異なる運動パターンを引き起こすことを想定する。
• 高レベルの行動的意図認識と低レベルの文脈に配慮した最適化を統合することで、軌道予測の精度を向上させること。
• 道路幾何学、交通ルール、工事、動的エージェントなどのさまざまな文脈要因に柔軟かつ拡張可能に適応できるフレームワークを構築すること。モデルの再構築を必要としない。
• オンライン自律走行アプリケーションに適したリアルタイム性能を実現すること。推論遅延が低く、多様な交通状況にわたり頑健であることを目指す。

提案手法

• 順序付きの車両観測から、長短記憶（LSTM）ネットワークを用いて高レベルの運転ポリシー（例：前進、左折、譲る）を予測する。
• 予測されたポリシーは、ポリシーインタープリタを介して初期の軌道推定値に変換され、その後の最適化プロセスをガイドする。
• マルチレイヤー2次元コストマップ構造が、レーン境界、道路工事、信号機、他のエージェントなど多様な文脈要因を統合的な最適化目的関数に変換する。
• 非線形最適化が、軌道の滑らかさ、道路幾何学への適合、交通ルール遵守、動的エージェントとの相互作用をバランスさせる複合コスト関数を最小化する。
• 最適化プロセスは、ポリシーに従った初期軌道推定値で初期化され、目的の行動モードに収束し、予測精度の向上を実現する。
• フレームワークは、CARLA自律走行シミュレーションプラットフォーム上で学習および検証され、エンド・ツー・エンドのオンライン推論が可能である。

実験結果

リサーチクエスチョン

• RQ1 順序付きの車両観測から、高レベルの運転ポリシー（例：左折、譲る）を効果的に予測し、軌道予測をガイドするにはどうすればよいか？
• RQ2 ポリシー予測を組み込むことで、マルチモーダルな都市走行シナリオにおける予測精度がどの程度向上するか？
• RQ3 最適化ベースの推論フレームワークは、道路工事、信号機、歩行者横断帯などの多様な文脈要因を、統一されたコストマップ構造に柔軟に統合できるか？
• RQ4 本手法は、通常および異常な運転行動を含む多様な交通構成下でもリアルタイムでどのように性能を発揮するか？

主な発見

• 曲がりくねった道路シナリオでは、本手法がベースライン手法よりも44%の精度向上を達成し、最大の瞬時の予測誤差が6.3 mから3 mに低下した。
• 道路工事がある交差点シナリオでは、最終予測フレームで56%の精度向上を達成し、高レベルのポリシー予測の重要性が明確に示された。
• 本手法は、歩行者横断への突然のブレーキを正しく予測したが、ベースラインの回帰ベースのモデルはこの意図を捉えられず、相互作用推論の向上が確認された。
• 平均で1回の予測あたり22.6 msのエンド・ツー・エンド推論時間でリアルタイム性能を達成し、コストマップレンダリングに16.2 ms、非線形最適化に3.4 msを要した。
• 最適化ベースの文脈推論モジュールは、赤信号違反や複数エージェント間相互作用を含む複雑な構成に対しても、文脈要因を統一されたコストマップに統合することで効果的に適応した。
• 本フレームワークは、通常走行、歩行者との相互作用、赤信号違反などの異常行動を含む5つの異なるテストケースにおいて、頑健性と柔軟性を示した。