[논문 리뷰] Probabilistic Trajectory Prediction for Autonomous Vehicles with Attentive Recurrent Neural Process

Jiacheng Zhu, Shenghao Qin외 2명|arXiv (Cornell University)|2019. 10. 17.

Autonomous Vehicle Technology and Safety참고 문헌 31인용 수 12

한 줄 요약

이 논문은 순환 신경망과 신경 프로세스를 결합하여 순차적 상호작용과 글로벌 맥락을 포착하는 확률적 궤적 예측 모델인 Attentive Recurrent Neural Process(ARNP)를 제안한다. ARNP는 차량 행동을 명시적인 예측 분포를 가진 확률적 과정으로 모델링하여 이전 방법들보다 궤적 정확도, 불확실성 표현 능력, 일반화 능력에서 뛰어난 성능을 발휘한다.

ABSTRACT

Predicting surrounding vehicle behaviors are critical to autonomous vehicles when negotiating in multi-vehicle interaction scenarios. Most existing approaches require tedious training process with large amounts of data and may fail to capture the propagating uncertainty in interaction behaviors. The multi-vehicle behaviors are assumed to be generated from a stochastic process. This paper proposes an attentive recurrent neural process (ARNP) approach to overcome the above limitations, which uses a neural process (NP) to learn a distribution of multi-vehicle interaction behavior. Our proposed model inherits the flexibility of neural networks while maintaining Bayesian probabilistic characteristics. Constructed by incorporating NPs with recurrent neural networks (RNNs), the ARNP model predicts the distribution of a target vehicle trajectory conditioned on the observed long-term sequential data of all surrounding vehicles. This approach is verified by learning and predicting lane-changing trajectories in complex traffic scenarios. Experimental results demonstrate that our proposed method outperforms previous counterparts in terms of accuracy and uncertainty expressiveness. Moreover, the meta-learning instinct of NPs enables our proposed ARNP model to capture global information of all observations, thereby being able to adapt to new targets efficiently.

연구 동기 및 목표

• 다중 차량 상호작용 상황에서 복잡하고 불확실한 차량 궤적을 예측하는 도전 과제를 해결하기 위해.
• 불확실성과 장기 의존성을 포착하는 데에 한계가 있는 결정론적 모델과 비확률적 학습 프레임워크의 한계를 극복하기 위해.
• 신경 프로세스의 메타학습 특성을 활용하여 소량의 관측치로도 새로운 교통 상황에 효율적으로 적응할 수 있도록 하기 위해.
• 주변 차량 간의 순차적 동역학과 글로벌 상호작용 패턴을 동시에 모델링하여 궤적 예측 성능을 향상시키기 위해.

제안 방법

• 신경 프로세스(NPs)와 순환 신경망(RNNs)을 통합하여 차량 궤적의 분포를 확률적 과정으로 모델링하기 위해.
• 장기적인 순차적 궤적을 주변 차량으로부터 RNN을 사용해 잠재 표현으로 인코딩하기 위해.
• 예측 과정에서 주변 차량으로부터 관련 맥락 정보를 동적으로 가중치를 두어 평가하기 위해 주목적 메커니즘을 통합하기 위해.
• 잠재 변수 z를 통해 관측된 컨텍스트 쌍(주변 궤적, 목표 궤적)을 조건으로 하여 목표 차량의 궤적 예측 분포를 모델링하기 위해.
• 예측의 불확실성을 명시적으로 학습하기 위해 부정적 로그우도(NLL)를 최소화함으로써 모델을 종단 간(end-to-end)으로 훈련시키기 위해.
• 신경 프로세스의 메타학습 능력을 활용하여 제한된 데이터로도 새로운 시나리오에 일반화할 수 있도록 하기 위해.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 복잡한 교통 상황에서 인간 운전 차량 행동의 확률적이고 상호작용적인 특성을 효과적으로 포착할 수 있는가?
• RQ2 신경 프로세스를 통한 확률적 인도적 편향을 가진 모델은 소량의 관측치로도 새로운, 알려지지 않은 교통 상황에 얼마나 잘 일반화되는가?
• RQ3 순환성과 주목적을 통합함으로써 기존 방법에 비해 장기 궤적 예측 정확도와 불확실성 정량화 능력이 얼마나 향상되는가?
• RQ4 예측 정확도와 분포 표현 능력 측면에서 비확률적 또는 비메타학습 기반 베이스라인에 비해 모델이 승승을 거두는가?

주요 결과

• ARNP는 횡방향 예측 오차가 모든 비교 방법 중에서 가장 낮으며, 각각 1초 시점에 0.020 m, 2초 시점에 0.109 m, 3초 시점에 0.130 m, 4초 시점에 0.203 m를 기록한다.
• ARNP는 궤적 예측의 분산이 가장 낮으며, 각각 1초 시점에 0.235 m, 2초 시점에 0.276 m, 3초 시점에 0.307 m, 4초 시점에 0.332 m를 기록하여 안정적이고 잘 校정된 불확실성 추정을 보여준다.
• ARNP는 -0.0229의 부정적 로그우도(NLL)를 기록하여 ANP(7024.45) 및 기타 방법들을 크게 앞서며, 뛰어난 분포 학습 능력을 입증한다.
• 모델은 차선 변경 행동의 글로벌 추세를 성공적으로 포착하였으며, 특히 차선 마커를 횡단한 후 실제 궤적과 예측 분포가 매우 밀접하게 일치한다.
• 메타학습 인도적 편향 덕분에 ARNP는 제한된 컨텍스트 데이터로도 새로운 시나리오에 효과적으로 일반화되며, 빠른 적응이 가능하다.
• 시각적 결과는 ARNP가 명시적인 예측 분포(검은색 평균 선과 파란색 분산 표면)를 생성함으로써 실제 궤적을 견고하게 둘러싸며, 강력한 불확실성 표현 능력을 확인한다.