[论文解读] A Transferable Pedestrian Motion Prediction Model for Intersections with Different Geometries

Nikita Jaipuria, Golnaz Habibi+1 more|arXiv (Cornell University)|Jun 25, 2018

Traffic and Road Safety参考文献 14被引用 14

一句话总结

该论文提出了一种可迁移的行人运动预测模型 TASNSC，该模型利用路边坐标系中的反变分量，实现不同几何结构的路口之间轨迹的仿射变换。通过利用这种几何不变性，该模型在相同路口上训练和测试时，分类准确率比基线模型（ASNSC）高出 7.2%，并且在不同路口之间保持了相当的性能，展示了强大的泛化能力，而无需依赖场景特定的地图。

ABSTRACT

This paper presents a novel framework for accurate pedestrian intent prediction at intersections. Given some prior knowledge of the curbside geometry, the presented framework can accurately predict pedestrian trajectories, even in new intersections that it has not been trained on. This is achieved by making use of the contravariant components of trajectories in the curbside coordinate system, which ensures that the transformation of trajectories across intersections is affine, regardless of the curbside geometry. Our method is based on the Augmented Semi Nonnegative Sparse Coding (ASNSC) formulation and we use that as a baseline to show improvement in prediction performance on real pedestrian datasets collected at two intersections in Cambridge, with distinctly different curbside and crosswalk geometries. We demonstrate a 7.2% improvement in prediction accuracy in the case of same train and test intersections. Furthermore, we show a comparable prediction performance of TASNSC when trained and tested in different intersections with the baseline, trained and tested on the same intersection.

研究动机与目标

• 开发一种可泛化的行人意图预测模型，使其在具有不同路边和人行横道几何结构的新场景路口中表现良好。
• 克服先前模型依赖场景特定空间特征或高精地图的局限性，这些因素限制了模型的可迁移性。
• 使用几何不变表示编码情境上下文（尤其是到路边的距离），以确保在不同路口之间实现仿射变换。
• 实现在无需先前语义地图或高保真场景先验条件下的准确长期轨迹预测。
• 通过在两个具有不同路边角度和几何结构的路口上进行测试，验证模型的可迁移性。

提出的方法

• 该模型使用仿射变换将行人轨迹转换到路边坐标系中，从而在不同路口几何结构之间保持几何特性（如共线性和平行性）。
• 通过反变分量表示到路边的距离，其仅依赖于相交路边之间的夹角，从而确保几何不变性。
• 该框架将增强型半非负稀疏编码（ASNSC）公式扩展至路边坐标系中，以学习运动基元和转移模型。
• 采用高斯过程建模的转移模型用于预测运动基元之间的转换，可选择性地将交通灯状态作为额外上下文特征引入。
• 通过基于路边几何结构推导出的变换，将轨迹投影到路边坐标系中，实现在不同路口之间的一致表示。
• 通过分类准确率（按似然加权）和预测轨迹与真实轨迹之间的修正豪斯多夫距离（MHD）来评估预测性能。

实验结果

研究问题

• RQ1 行人运动预测模型是否能够在不依赖场景特定训练数据或高精地图的前提下，泛化到具有不同路边几何结构的路口？
• RQ2 在路边坐标系中使用反变分量表示到路边的距离，是否能确保轨迹的仿射变换，从而实现在不同几何结构下的稳定建模？
• RQ3 当在不同路口上进行训练和测试时，所提出的模型在预测准确率和鲁棒性方面相较于基线方法的提升程度如何？
• RQ4 将交通灯状态作为上下文特征引入，对预测性能和计算成本有何影响？
• RQ5 在训练轨迹较少或多样性较低的路口中，该模型是否仍能保持高性能？

主要发现

• 当在相同路口（路口 A）上进行训练和测试时，TASNSC 相较于 ASNSC 实现了 7.2% 的分类准确率提升（90.47% vs. 84.39%）。
• 当在路口 B 上训练并在路口 A 上测试时，TASNSC 实现了 79.43% 的分类准确率，表明尽管路边几何结构不同，仍具有强大的可迁移性。
• 当在相同路口上训练和测试时，TASNSC 的修正豪斯多夫距离（MHD）为 2.031m，优于基线模型 ASNSC 的 2.267m。
• 在跨路口实验中，当在路口 A 上训练并在路口 B 上测试时，将交通灯状态作为上下文特征可使分类准确率从 75.92% 提升至 79.51%。
• 该模型在不同路口之间保持了相当的性能，表明路边坐标系能够有效实现泛化，而无需依赖场景特定的先验信息。
• 由于高斯过程超参数学习，TASNSC 的计算成本略高于 ASNSC，但当引入交通灯上下文时，每条预测的计算时间仍可控在 0.8643 秒。