[论文解读] An LSTM Network for Highway Trajectory Prediction

Florent Altché, Arnaud de La Fortelle|arXiv (Cornell University)|Jan 24, 2018

Autonomous Vehicle Technology and Safety参考文献 29被引用 635

一句话总结

本文提出一种基于LSTM的神经网络，利用完整的NGSIM US101数据集预测高速公路车辆轨迹，在10秒预测时，横向误差中位数为0.73 m，纵向误差中位数为2.96 m/s。该模型利用自然驾驶数据中的时间依赖性，相较于以往方法（通常依赖有偏或小规模的轨迹数据集），显著提升了长期预测的准确性。

ABSTRACT

In order to drive safely and efficiently on public roads, autonomous vehicles will have to understand the intentions of surrounding vehicles, and adapt their own behavior accordingly. If experienced human drivers are generally good at inferring other vehicles' motion up to a few seconds in the future, most current Advanced Driving Assistance Systems (ADAS) are unable to perform such medium-term forecasts, and are usually limited to high-likelihood situations such as emergency braking. In this article, we present a first step towards consistent trajectory prediction by introducing a long short-term memory (LSTM) neural network, which is capable of accurately predicting future longitudinal and lateral trajectories for vehicles on highway. Unlike previous work focusing on a low number of trajectories collected from a few drivers, our network was trained and validated on the NGSIM US-101 dataset, which contains a total of 800 hours of recorded trajectories in various traffic densities, representing more than 6000 individual drivers.

研究动机与目标

• 解决当前ADAS系统在中长期轨迹预测方面的一致性不足问题，这些系统往往无法预测紧急制动以外的复杂操作。
• 克服以往研究使用人工挑选或小规模轨迹数据集所导致的局限性，这些数据集引入了选择偏差，降低了在真实世界中的泛化能力。
• 开发一种深度学习模型，能够在多样的交通条件下，对长达10秒的纵向和横向车辆轨迹进行准确预测。
• 通过更可靠地预测周围车辆行为，尤其是超车和变道操作，提升自动驾驶车辆的运动规划能力。
• 在大规模真实世界数据集（NGSIM US101）上验证模型，以确保其在典型高速公路驾驶场景下的鲁棒性和泛化能力。

提出的方法

• 该模型采用长短期记忆（LSTM）神经网络架构，从序列车辆状态数据中学习时间依赖性。
• 输入特征包括纵向和横向位置、速度，以及在指定范围内周围车辆的相对位置，均来自NGSIM US101数据集。
• 数据预处理包括对特征进行归一化，并构建固定长度的时间窗口（Kprev = 10）以输入网络。
• 通过两个独立的输出头分别预测未来的横向位置和纵向速度，采用均方误差损失函数进行联合训练。
• 通过平均四个表现最佳模型的预测结果，应用袋装技术（bagging）以提高鲁棒性并降低方差。
• 在完整的US101数据集（800小时，6000+名驾驶员）上进行训练，无需预先筛选轨迹，确保真实驾驶行为的广泛代表性。

实验结果

研究问题

• RQ1 当在大规模、无偏见的自然高速公路驾驶数据集上进行训练时，LSTM网络在长达10秒的长期轨迹预测中泛化能力如何？
• RQ2 在横向和纵向运动预测中，提供车辆类型信息对预测精度有何影响？
• RQ3 与标准回归指标相比，该模型在预测罕见但关键事件（如变道或急刹车）时表现如何？
• RQ4 与单个模型相比，使用集成学习（袋装）是否能提升预测稳定性并降低误差？
• RQ5 该模型在行为转换（如变道）期间是否存在预测延迟？这种延迟如何影响其实际应用价值？

主要发现

• 所提出的LSTM模型在预测10秒后，横向位置预测的中位数RMS误差为0.73 m，纵向速度预测的中位数RMS误差为2.96 m/s。
• 使用四个模型的袋装集成方法表现最佳，在10秒预测时，横向误差相比基线模型降低了12%。
• 预测精度随预测时域的增加而逐渐下降，10秒时横向误差达到0.73 m，纵向速度误差达到2.96 m/s。
• 尽管整体性能优异，但该模型在响应行为变化时表现出明显延迟——横向位置的延迟可达8–9秒，尤其在长时域预测中更为显著。
• 提供车辆类型信息可改善纵向速度预测（平均误差降低约0.2 m/s），但对横向位置预测无明显帮助。
• 该模型优于以往最先进的方法，包括[14]中提出的多层感知机基线模型，尤其在长时域预测中表现更优，凸显了循环记忆在轨迹建模中的优势。