[论文解读] Asymmetrical Bi-RNN for pedestrian trajectory encoding

Raphaël Rozenberg, Joseph Gesnouin+1 more|arXiv (Cornell University)|Jun 1, 2021

Autonomous Vehicle Technology and Safety参考文献 29被引用 9

一句话总结

该论文提出U-RNN，一种非对称双向RNN，在前向编码过程中利用未来轨迹信息以提升行人轨迹预测性能。在Trajnet++数据集上的实验表明，U-LSTM在ADE、FDE和碰撞率指标上均优于标准LSTM，确立其作为轨迹预测模型中更优的序列编码器。

ABSTRACT

Pedestrian motion behavior involves a combination of individual goals and social interactions with other agents. In this article, we present an asymmetrical bidirectional recurrent neural network architecture called U-RNN to encode pedestrian trajectories and evaluate its relevance to replace LSTMs for various forecasting models. Experimental results on the Trajnet++ benchmark show that the U-LSTM variant yields better results regarding every available metrics (ADE, FDE, Collision rate) than common trajectory encoders for a variety of approaches and interaction modules, suggesting that the proposed approach is a viable alternative to the de facto sequence encoding RNNs. Our implementation of the asymmetrical Bi-RNNs for the Trajnet++ benchmark is available at: github.com/JosephGesnouin/Asymmetrical-Bi-RNNs-to-encode-pedestrian-trajectories

研究动机与目标

• 探究非对称双向RNN是否能在编码行人轨迹方面优于标准LSTM。
• 评估在前向传播中利用未来上下文是否能提升轨迹预测的准确性。
• 确定行人运动中的首选时间方向是否支持非对称架构设计。
• 为现有编码器-解码器轨迹预测框架提供即插即用的LSTM替代方案。
• 评估使用不同循环单元（LSTM与GRU）的U-RNN在建模行人运动长期依赖关系方面的影响。

提出的方法

• 提出U-RNN，一种非对称双向RNN，先执行反向传播，再在前向传播中使用未来感知的隐藏状态。
• 采用两阶段流程：首先，反向RNN处理完整轨迹以捕捉未来上下文；其次，前向RNN利用该上下文编码过去位置。
• 将U-RNN作为标准编码器-交互-解码器流程中的序列编码器应用于轨迹预测。
• 评估U-RNN在LSTM和GRU单元下的表现，对比不同交互模块（方向池化、社交池化、占用池化）的性能。
• 使用Trajnet++基准进行评估，采用标准指标：ADE、FDE和碰撞率（Col-I、Col-II）。
• 采用反向U-RNN变体以检验行人运动中前向方向为首选时间方向的假设。

实验结果

研究问题

• RQ1 能否通过在前向编码中使用未来信息的非对称双向RNN，实现优于标准LSTM的轨迹预测性能？
• RQ2 U-RNN的性能提升是否源于捕捉行人轨迹中的长期依赖关系？
• RQ3 在行人运动建模中，是否显著优势地将前向方向作为主要编码方向？
• RQ4 U-RNN架构是否在不同交互模块和预测基线中始终优于标准LSTM？
• RQ5 U-RNN的性能增益是源于架构的非对称性，还是仅仅因为使用了LSTM而非GRU？

主要发现

• 在Trajnet++基准上，U-LSTM在所有指标上均优于标准LSTM，ADE和FDE更低。
• 与恒定速度基线相比，U-LSTM编码器将碰撞率（Col-I）降低了50%以上。
• U-LSTM相较于U-GRU的性能提升表明，该优势源于对长期依赖关系的更好建模。
• 反向U-LSTM性能劣于标准U-LSTM，证实前向方向是行人运动中的首选时间方向。
• 即使在使用社交池化和占用池化时，U-LSTM仍优于标准LSTM，表明其具有广泛适用性。
• 结果表明，序列编码是轨迹预测中的关键组件，U-RNN是LSTM的有力替代方案。