[论文解读] Physically Feasible Vehicle Trajectory Prediction

Harshayu Girase, Jerrick Hoang+2 more|arXiv (Cornell University)|Apr 29, 2021

Autonomous Vehicle Technology and Safety参考文献 35被引用 7

一句话总结

本文提出PTNet，一种混合车辆轨迹预测模型，结合图神经网络与可微分的纯追踪（Pure Pursuit）路径跟踪层，以确保物理真实性、可维护性及样本效率。通过将基于机器人学的动力学约束嵌入可学习框架，PTNet在保证曲率与加速度可行性的同时，实现了最先进水平的轨迹误差性能，且训练数据仅为基线模型的一半。

ABSTRACT

Predicting the future motion of actors in a traffic scene is a crucial part of any autonomous driving system. Recent research in this area has focused on trajectory prediction approaches that optimize standard trajectory error metrics. In this work, we describe three important properties -- physical realism guarantees, system maintainability, and sample efficiency -- which we believe are equally important for developing a self-driving system that can operate safely and practically in the real world. Furthermore, we introduce PTNet (PathTrackingNet), a novel approach for vehicle trajectory prediction that is a hybrid of the classical pure pursuit path tracking algorithm and modern graph-based neural networks. By combining a structured robotics technique with a flexible learning approach, we are able to produce a system that not only achieves the same level of performance as other state-of-the-art methods on traditional trajectory error metrics, but also provides strong guarantees about the physical realism of the predicted trajectories while requiring half the amount of data. We believe focusing on this new class of hybrid approaches is an useful direction for developing and maintaining a safety-critical autonomous driving system.

研究动机与目标

• 解决自动驾驶中纯数据驱动轨迹预测模型缺乏物理真实性的缺陷。
• 通过将结构化机器人学技术与机器学习结合，提升系统可维护性，降低技术债务与代码耦合度。
• 通过利用预存的物理动力学知识，提升样本效率，减少模型训练所需数据量。
• 证明混合学习-机器人学方法可在保证动力学可行性的同时，实现最先进性能。
• 将关注点从仅轨迹误差，扩展至包含可行性指标在内的关键评估标准。

提出的方法

• PTNet使用图神经网络基于场景上下文与交互信息，为每个参与者预测运动轨迹（加速度与转向角）。
• 可微分的纯追踪路径跟踪层执行预测的运动轨迹，强制实施物理约束，如曲率与加速度限制。
• 路径跟踪层具备可微性，支持端到端训练，同时保持物理可行性。
• 通过为每个目标生成多个运动轨迹，模型输出多模态时空轨迹，每个轨迹均由可微分跟踪器执行。
• 该架构将经典机器人学动力学模型（如运动学自行车模型）整合至神经网络中，将物理真实性作为归纳偏置嵌入。
• 系统在真实世界驾驶数据上进行端到端训练，损失函数同时优化轨迹误差与可行性约束。

实验结果

研究问题

• RQ1 结合机器学习与机器人学技术的混合模型，是否能在不牺牲性能的前提下提升车辆轨迹预测的物理真实性？
• RQ2 集成可微分路径跟踪层在多大程度上提升了系统可维护性并降低了技术债务？
• RQ3 引入基于物理的约束对轨迹预测模型的样本效率有何影响？
• RQ4 可行性指标是否揭示了现有最先进模型中标准轨迹误差指标未能捕捉的缺陷？
• RQ5 模型能否在实现最先进轨迹误差的同时，同时保证动力学可行性？

主要发现

• 在3T设置下，PTNet在曲率与轨迹加速度可行性指标上均实现0%违规，而GoalNet分别存在69.02%与5.64%的违规。
• PTNet在所有时间模式下均保持最小与最大轨迹加速度的0%违规，展现出一致的物理可行性。
• 模型实现100%的样本效率提升：PTNet仅用一半的训练数据即可达到GoalNet的性能水平。
• 定性分析表明，PTNet生成的轨迹平滑且动力学可行，而GoalNet的输出尽管L2误差较低，但可能呈现噪声大且物理不可行。
• 可微分的纯追踪层支持端到端训练并强制实施物理约束，使系统更具可维护性与可解释性。
• PTNet在关键可行性指标上优于GoalNet，同时在标准轨迹误差指标上保持或超越其表现。