[论文解读] Deep Kinematic Models for Physically Realistic Prediction of Vehicle Trajectories

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

Autonomous Vehicle Technology and Safety参考文献 25被引用 24

一句话总结

本文提出了一种深度学习框架，将物理车辆运动学整合到轨迹预测中，通过结合神经网络与运动模型，确保输出的轨迹在运动学上是可行的。在真实世界数据上的实验表明，该方法在预测真实车辆轨迹方面优于当前最先进的方法。

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

• 通过显式编码车辆动力学，解决现有深度学习模型在生成运动学上不可行的车辆轨迹方面的局限性。
• 通过将物理约束整合到神经网络架构中，提升自动驾驶车辆运动预测的现实感和安全性。
• 开发一种可泛化的框架，适用于任何用于轨迹预测的深度学习方法。
• 确保预测的轨迹符合基本的车辆运动学约束，如加速度、曲率和速度限制。

提出的方法

• 将基于物理的车辆运动模型（例如，运动学自行车模型）作为归纳偏置整合到深度学习架构中。
• 使用可微分的运动学层，在训练和推理过程中施加运动约束，确保预测轨迹的可行性。
• 将卷积神经网络（CNN）与一个回归轨迹点的运动学头相结合，同时尊重动态约束。
• 在真实世界驾驶数据上端到端训练模型，优化预测准确性，同时保持物理上的合理性。
• 将预测头与主干网络解耦，以支持与各种深度学习架构的兼容性。
• 应用正则化和损失函数，对偏离运动学可行性的行为施加惩罚，从而提升泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 在深度学习模型中显式整合车辆运动学是否能提升预测轨迹的物理可行性？
• RQ2 将神经网络的容量与基于物理的运动模型相结合，与纯数据驱动方法相比，是否能提升预测准确性？
• RQ3 所提出的方法在不同深度学习架构和驾驶场景下的泛化程度如何？
• RQ4 在真实世界的自动驾驶应用中，施加运动学约束是否能带来更真实、更安全的轨迹预测？

主要发现

• 所提出的方法在真实世界轨迹预测基准测试中，性能显著优于当前最先进的基线方法。
• 轨迹预测始终保持运动学上的可行性，避免了无限加速度或不可能转弯等不现实操作。
• 将基于物理的约束整合进来，显著提升了预测准确性，尤其是在长时程预测中。
• 该框架具有通用性，可与多种深度学习架构兼容，包括卷积网络。
• 实验表明，该模型在不同驾驶场景和交通条件下均表现出良好的泛化能力。
• 通过在训练和推理过程中显式建模车辆动力学，该方法显著减少了物理上不可行的预测数量。