[논문 리뷰] Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network

Jiachen Li, Hengbo Ma외 2명|arXiv (Cornell University)|2020. 02. 14.

Autonomous Vehicle Technology and Safety참고 문헌 50인용 수 52

한 줄 요약

Social-WaGDAT은 그래프 기반의 더블 어텐션 네트워크를 활용해 시공간 관계를 포착하는 Wasserstein 기반 생성 모델을 사용하는 상호작용 인식 다중 에이전트 궤적 예측기이며, 보행자와 차량에서의 구속 가능한 물리적 제약 계층으로 검증되었습니다.

ABSTRACT

Effective understanding of the environment and accurate trajectory prediction of surrounding dynamic obstacles are indispensable for intelligent mobile systems (like autonomous vehicles and social robots) to achieve safe and high-quality planning when they navigate in highly interactive and crowded scenarios. Due to the existence of frequent interactions and uncertainty in the scene evolution, it is desired for the prediction system to enable relational reasoning on different entities and provide a distribution of future trajectories for each agent. In this paper, we propose a generic generative neural system (called Social-WaGDAT) for multi-agent trajectory prediction, which makes a step forward to explicit interaction modeling by incorporating relational inductive biases with a dynamic graph representation and leverages both trajectory and scene context information. We also employ an efficient kinematic constraint layer applied to vehicle trajectory prediction which not only ensures physical feasibility but also enhances model performance. The proposed system is evaluated on three public benchmark datasets for trajectory prediction, where the agents cover pedestrians, cyclists and on-road vehicles. The experimental results demonstrate that our model achieves better performance than various baseline approaches in terms of prediction accuracy.

연구 동기 및 목표

• 혼잡하고 상호작용이 많은 환경에서 자율 시스템의 안전하고 고품질의 계획 수립을 촉진한다.
• 상호 간 관계를 명시적으로 고려하는 일반적이고 생성적 궤적 예측 프레임워크를 개발한다.
• 고차 상호작용을 모델링하기 위해 위상적 및 시간적 주의를 갖는 동적 그래프 표현을 도입한다.
• 실물감(물리적 타당성)을 향상시키기 위해 운동학 제약 계층을 도입한다.
• 다수의 보행자 및 차량 궤적 벤치마크에서 최첨단 예측 정확도를 보여준다.

제안 방법

• 세 부분으로 구성된 파이프라인을 사용한다: 깊은 특징 추출기(상태, 관계, 컨텍스트 특징), 그래프 기반 인코더와 그래프 더블 어텐션 네트워크(GDAT), 그리고 운동학 제약 계층을 갖춘 디코더.
• 역사와 미래에 대한 시공간 그래프를 구성하되, 노드 속성은 에이전트의 상태와 컨텍스트를 결합하고 엣지 속성은 공간 관계를 인코딩한다.
• 그래프 구조를 기반으로 노드 특징을 업데이트하기 위해 위상적 어텐션 계층을 적용하고, 그다음 시간에 걸친 정보를 요약하기 위해 시간적 어텐션 계층을 따른다.
• 역사적 및 미래의 노드 속성을 인코딩 함수에 의해 잠재 표현으로 인코딩하여 미래 궤적 가설의 샘플링을 가능하게 한다.
• GRU 기반 순환 메커니즘과 운동학적 자전거 모델에서 영감을 받은 제약 셀로 해독하여 물리적으로 타당한 궤적을 보장한다.
• 재구성, KL 발산, 최대 평균 차이 항을 혼합한 Wasserstein 기반 목표로 엔드투엔드 학습한다.

실험 결과

연구 질문

• RQ1 상호작용 시나리오에서 다중 에이전트 간의 명시적 관계 추론이 궤적 예측을 어떻게 개선할 수 있는가?
• RQ2 그래프 기반 더블 어텐션 메커니즘이 고차 상호작용 영향과 시간적 진화를 효과적으로 포착할 수 있는가?
• RQ3 장면 컨텍스트와 운동학 제약의 도입이 보행자와 차량의 예측 정확도에 측정 가능한 이점을 가져오는가?
• RQ4 다중 에이전트 궤적 예측에 있어 Wasserstein 기반 생성 프레임워크가 다른 생성 방식(GAN/ VAE 변형)과 어떻게 비교되는가?
• RQ5 역사와 컨텍스트의 결합 모델링이 장기 예측 성능에 미치는 영향은 무엇인가?

주요 결과

• Social-WaGDAT은 여러 시나리오에서 보행자 벤치마크(ETH/UCY, SDD)와 차량 벤치마크(ID)에서 최첨단 또는 경쟁력 있는 ADE/FDE를 달성한다.
• 그래프 더블 어텐션 메커니즘은 공간적 관계와 시간적 진화를 모두 효과적으로 모델링하게 하여 베이스라인 대비 유의한 향상을 가져온다.
• 컨텍스트 정보(점유 맵 및 속도장) 도입이 특히 도로 규칙이 제약된 시나리오에서 장기 예측을 크게 향상시킨다.
• 운동학 제약 계층은 타당한 궤적을 강제하고 출력의 평활화를 통해 예측 품질을 일관되게 향상시키며, 회전이 많은 시나리오(원형 교차로/교차로)에서 더 큰 이점을 보인다.
• 본 방법은 보행자, 자전거 이용자, 도로상의 차량에 대해 강력한 성능을 보이며 이기종 에이전트에 대한 일반화를 보여준다.