[论文解读] Data-Driven Vehicle Trajectory Forecasting

Shayan Jawed, Eya Boumaiza+2 more|arXiv (Cornell University)|Feb 9, 2019

Autonomous Vehicle Technology and Safety参考文献 27被引用 4

一句话总结

本文提出一种基于卷积神经网络（CNN）的方法，利用原始摄像头数据进行多步车辆轨迹预测，将该任务建模为时间序列回归问题。该方法优于线性回归、决策树以及均值/最后值预测等基线模型，采用联合预测策略时实现了3393.64的均方误差（MSE），展现出卓越的预测精度与实时推理能力，有助于提升自动驾驶安全性。

ABSTRACT

An active area of research is to increase the safety of self-driving vehicles. Although safety cannot be guarenteed completely, the capability of a vehicle to predict the future trajectories of its surrounding vehicles could help ensure this notion of safety to a greater deal. We cast the trajectory forecast problem in a multi-time step forecasting problem and develop a Convolutional Neural Network based approach to learn from trajectory sequences generated from completely raw dataset in real-time. Results show improvement over baselines.

研究动机与目标

• 通过实现对周围车辆未来轨迹的精确预测，提升自动驾驶安全性。
• 解决在动态交通环境中，利用实时原始摄像头数据预测复杂且噪声较大的车辆轨迹的挑战。
• 开发一种计算高效、支持实时推理的轨迹预测系统，无需依赖昂贵的激光雷达（LiDAR）传感器。
• 比较使用CNN进行多步轨迹预测时，独立预测与联合预测策略的性能差异。
• 将所提出的CNN框架与经典基线模型及当前最先进的回归模型进行对比评估。

提出的方法

• 系统利用最先进的目标检测与跟踪技术，从原始摄像头输入中生成轨迹序列，无需使用激光雷达（LiDAR）。
• 训练一维卷积神经网络（CNN）以预测被跟踪车辆在未来多个时间步的（x,y）位置。
• 评估两种训练策略：独立预测（每个预测时序使用单独的五个模型）与联合预测（一个模型同时预测所有时序）。
• 由于联合策略具有更快的推理速度，对实时应用至关重要，因此被选为最终评估策略。
• 采用Adam优化器进行端到端训练，初始学习率固定为0.0001，批量大小为3。
• 损失函数为预测值与真实轨迹点在多个未来时间步上的均方误差（MSE）之和。

实验结果

研究问题

• RQ1 基于CNN的架构是否能在多步车辆轨迹预测中超越线性回归和决策树等经典回归模型？
• RQ2 在预测精度与推理速度方面，联合预测策略与独立预测策略相比表现如何？
• RQ3 所提出的方法是否实现了适合自动驾驶车辆部署的实时推理性能？
• RQ4 随着预测时序的延长，模型性能下降的程度如何？
• RQ5 CNN是否能有效从原始轨迹序列中学习复杂的非线性轨迹模式，而无需依赖激光雷达或复杂的传感器融合？

主要发现

• 联合CNN策略实现了最低的均方误差（MSE）3393.64，显著优于次优基线模型——独立CNN方法（MSE为15181.55）。
• 与独立方法相比，联合策略显著降低了推理时间，使其更适合在自动驾驶车辆中实现实时部署。
• 随着预测时序的增加，模型性能出现下降，表现为后期时间步的MSE值升高（例如，t₄₅₋₅₀时为6192.45），这符合误差累积的预期。
• 仅预测最后观测位置的基线模型MSE为23511.61，而均值预测基线的MSE为7259.255，表明即使简单基线也难以被超越。
• 与均值基线相比，联合策略实现了79.4%的MSE降低；与最后值基线相比，实现了84.5%的MSE降低，表明其具备强大的预测能力。
• 无监督跟踪失败检测方法与人工评估结果高度一致（分别检测到580次与553次失败），验证了其在数据质量控制方面的有效性。