[论文解读] Deep Kinematic Models for Kinematically Feasible Vehicle Trajectory Predictions

Henggang Cui, Thi Nguyen+5 more|arXiv (Cornell University)|Aug 1, 2019

Autonomous Vehicle Technology and Safety参考文献 44被引用 7

一句话总结

本文提出深度运动学模型（DKM），一种将车辆运动学约束融入轨迹预测的深度学习框架，以确保预测结果具有运动学可行性。通过在神经网络输出层嵌入两轴车辆运动模型，DKM 联合预测位置、航向和速度，显著提升了预测精度并保证了可行性，在真实自动驾驶车辆数据上优于当前最先进方法。

ABSTRACT

Self-driving vehicles (SDVs) hold great potential for improving traffic safety and are poised to positively affect the quality of life of millions of people. To unlock this potential one of the critical aspects of the autonomous technology is understanding and predicting future movement of vehicles surrounding the SDV. This work presents a deep-learning-based method for kinematically feasible motion prediction of such traffic actors. Previous work did not explicitly encode vehicle kinematics and instead relied on the models to learn the constraints directly from the data, potentially resulting in kinematically infeasible, suboptimal trajectory predictions. To address this issue we propose a method that seamlessly combines ideas from the AI with physically grounded vehicle motion models. In this way we employ best of the both worlds, coupling powerful learning models with strong feasibility guarantees for their outputs. The proposed approach is general, being applicable to any type of learning method. Extensive experiments using deep convnets on real-world data strongly indicate its benefits, outperforming the existing state-of-the-art.

研究动机与目标

• 解决当前无约束深度学习模型在预测运动学不可行车辆轨迹方面的局限性。
• 通过引入物理车辆运动学，提升对车辆运动状态（包括位置、航向和速度）预测的准确性。
• 确保预测轨迹在物理上合理，避免出现不切实际的转弯半径或不一致的航向估计问题。
• 开发一种可泛化的通用方法，适用于任意深度学习架构，并通过在真实世界数据上使用卷积神经网络进行验证。
• 通过提供可靠且运动学可行的预测，实现更安全、更高效的自动驾驶车辆路径规划。

提出的方法

• 在深度神经网络的输出层嵌入两轴车辆运动模型，以对预测轨迹施加物理约束。
• 联合预测周围车辆的完整运动状态（位置、航向和速度），而非仅预测位置。
• 运动学层确保所有预测轨迹满足自行车模型约束，包括最大转向角和转弯半径限制。
• 该方法具有通用性，可兼容多种深度学习架构（如 CNN 和 RNN），本文通过在栅格化场景输入上使用卷积网络进行了验证。
• 模型采用端到端方式训练，使用真实运动状态作为监督信号，损失函数针对位置、航向和速度的准确性进行优化。
• 可微分的运动学层支持通过运动模型进行反向传播，使网络能够学习到符合物理规律的运动模式。

实验结果

研究问题

• RQ1 将基于物理的车辆运动学模型集成到深度学习中，能否提升车辆轨迹预测的准确性和可行性？
• RQ2 施加运动学约束后，预测运动轨迹的平滑度和真实性（尤其是加速度和转向速率）有何改善？
• RQ3 与独立或无约束的位置预测相比，联合预测位置、航向和速度是否在运动学可行性和误差指标上表现更优？
• RQ4 与插值方法相比，该方法在多大程度上减少了由位置预测噪声引起的航向误差？
• RQ5 在真实自动驾驶场景中，特别是在复杂操作（如转弯和制动）下，DKM 方法与最先进模型相比表现如何？

主要发现

• DKM 在所有评估模型中实现了最低的航向误差，显著优于无约束和独立预测航向的基线模型。
• 与无约束模型相比，DKM 将转向速率分布的 Wasserstein 距离降低了两倍以上，表明其预测更接近真实动力学特性。
• 该方法生成了更平滑的加速度和航向轨迹，噪声极小，在轨迹及其导数的品质上均优于无约束的 UM 模型。
• DKM 确保了运动学可行性，预测轨迹中 0% 违反物理约束，而如 UM-heading（20% 不可行）或 CTRA（精度表现不佳）等模型则存在此类问题。
• 在右转和制动的案例研究中，DKM 生成了准确、平滑且物理上合理的轨迹，而其他方法则出现转向过度或不恰当地预测倒车运动。
• 该框架已在真实世界测试中成功验证，展示了在自动驾驶车辆上部署时的鲁棒性和可靠性。