[论文解读] PLOP: Probabilistic poLynomial Objects trajectory Planning for autonomous driving

Thibault Buhet, Émilie Wirbel+2 more|arXiv (Cornell University)|Mar 9, 2020

Autonomous Vehicle Technology and Safety参考文献 61被引用 16

一句话总结

PLOP 提出了一种单阶段、无锚点的自动驾驶轨迹预测框架，采用基于多项式的轨迹约束概率高斯混合网络，仅依赖车载传感器（摄像头和激光雷达）预测自身车辆及周边车辆的多模态、平滑轨迹。该方法在 nuScenes 数据集上实现了最先进性能，尽管未使用高精地图，但在最终位移误差（FDE）和漏检率方面仍优于依赖高精地图的方法。

ABSTRACT

To navigate safely in urban environments, an autonomous vehicle (ego vehicle) must understand and anticipate its surroundings, in particular the behavior and intents of other road users (neighbors). Most of the times, multiple decision choices are acceptable for all road users (e.g., turn right or left, or different ways of avoiding an obstacle), leading to a highly uncertain and multi-modal decision space. We focus here on predicting multiple feasible future trajectories for both ego vehicle and neighbors through a probabilistic framework. We rely on a conditional imitation learning algorithm, conditioned by a navigation command for the ego vehicle (e.g., "turn right"). Our model processes ego vehicle front-facing camera images and bird-eye view grid, computed from Lidar point clouds, with detections of past and present objects, in order to generate multiple trajectories for both ego vehicle and its neighbors. Our approach is computationally efficient and relies only on on-board sensors. We evaluate our method offline on the publicly available dataset nuScenes, achieving state-of-the-art performance, investigate the impact of our architecture choices on online simulated experiments and show preliminary insights for real vehicle control

研究动机与目标

• 解决在复杂城市驾驶场景中存在多种未来行为可能性的多模态、不确定轨迹预测挑战。
• 开发一种计算高效、单阶段的轨迹预测方法，不依赖高精地图，仅使用车载传感器。
• 通过将辅助感知任务（如语义分割）融入轨迹预测网络，提升预测准确性。
• 在离线基准测试和闭环仿真中评估该方法，证明其在实时控制中的可行性。
• 研究架构选择（如多项式轨迹建模和辅助损失）对预测鲁棒性和泛化能力的影响。

提出的方法

• PLOP 采用基于高层导航指令（如‘右转’）条件的模仿学习框架，以引导轨迹生成。
• 通过处理前向摄像头图像和鸟瞰图激光雷达点云（含目标检测和历史轨迹）来编码场景上下文。
• 轨迹以高斯混合模型（MDN）形式预测，采用多项式轨迹参数化方法以确保轨迹的平滑性和一致性。
• 多项式建模引入了额外参数，增强了学习灵活性，减少了 MDN 中的模式崩溃和训练不稳定性。
• 在主干网络中增加一个辅助语义分割头，以注入场景布局信息，提升轨迹预测准确性。
• 模型通过专家演示进行端到端模仿学习训练，损失函数同时惩罚位置偏差和最终位移偏差。

实验结果

研究问题

• RQ1 仅依赖车载传感器的无地图轨迹预测系统是否能在公开基准（如 nuScenes）上实现最先进性能？
• RQ2 在概率 MDN 框架中，与标准序列或锚点方法相比，多项式轨迹建模在预测稳定性与泛化能力方面有何改进？
• RQ3 在复杂城市场景中，添加辅助语义分割头在多大程度上提升了轨迹预测准确性？
• RQ4 与序列或多阶段方法相比，单阶段端到端架构在误差累积和长期预测保真度方面表现如何？
• RQ5 在闭环仿真中，系统的失败模式是什么？其与传感器局限性或缺失上下文线索（如交通灯状态）有何关联？

主要发现

• PLOP 在 nuScenes 轨迹预测基准上实现了最先进性能，尽管未使用高精地图，但在最终位移误差（FDE）和漏检率方面仍优于基于高精地图的方法。
• 与排名前两位的基线方法（cxx 和 MHA-JAM）相比，PLOP 在 minFDE 和漏检率上均有显著提升，表明其长期轨迹估计更准确。
• 引入辅助语义分割头可降低横向预测误差，尤其在急转弯和环岛等复杂场景中表现更优。
• 闭环仿真中的失败案例主要源于速度预测过高，特别是在交通灯处、大型车辆附近或遇到行为不可预测的行人时。
• 单阶段架构避免了序列模型中常见的误差累积问题，表现为尽管 minADE 略差，但 FDE 表现更优，表明具有全局轨迹优化能力。
• 该方法在真实车辆控制中具备可行性，初步结果表明轨迹预测可用于闭环驾驶仿真，并取得可接受性能。