[论文解读] GAMMA: A General Agent Motion Prediction Model for Autonomous Driving

Yuanfu Luo, Panpan Cai|arXiv (Cornell University)|Jun 4, 2019

Autonomous Vehicle Technology and Safety参考文献 41被引用 14

一句话总结

GAMMA 是一种用于自动驾驶的统一运动预测模型，将运动预测建模为速度空间中的几何优化问题，整合物理约束与人类内在状态，以预测复杂交互环境中的多样化交通参与者——行人、车辆、骑行者。该模型在真实世界数据集上的表现显著优于当前最先进方法。

ABSTRACT

Autonomous driving in mixed traffic requires reliable motion prediction of nearby traffic agents such as pedestrians, bicycles, cars, buses, etc.. This prediction problem is extremely challenging because of the diverse dynamics and geometry of traffic agents, complex road conditions, and intensive interactions among the agents. In this paper, we proposed GAMMA, a general agent motion prediction model for autonomous driving, that can predict the motion of heterogeneous traffic agents with different kinematics, geometry, human agents' inner states, etc.. GAMMA formalizes motion prediction as geometric optimization in the velocity space, and integrates physical constraints and human inner states into this unified framework. Our results show that GAMMA outperforms state-of-the-art approaches significantly on diverse real-world datasets.

研究动机与目标

• 解决在混合交通环境中，针对具有不同运动学特性和几何形态的异构交通参与者进行运动预测的挑战。
• 克服现有模型在统一多种参与者类型以及整合物理约束与人类内在状态方面的局限性。
• 开发一种可泛化的框架，实现在复杂交互道路场景中的精确运动预测。
• 将运动预测形式化为速度空间中的几何优化问题，以统一多样化的参与者动力学与约束条件。

提出的方法

• 将运动预测建模为速度空间中的几何优化问题，以统一多样化参与者的表示方法。
• 将物理约束（例如，运动学限制、碰撞避免）整合到优化框架中，以确保输出运动的合理性。
• 将人类内在状态（例如，意图、注意力、不确定性）作为可学习组件嵌入优化过程。
• 使用可微分优化层，实现通过优化过程的反向传播进行端到端训练。
• 采用统一架构处理异构参与者——行人、自行车、汽车、公共汽车——而无需针对特定任务进行调整。
• 在多样化的现实世界数据集上进行模型训练与评估，以验证其泛化能力与鲁棒性。

实验结果

研究问题

• RQ1 在速度空间中，统一的几何优化框架是否能有效建模具有不同运动学特性和几何形态的多样化交通参与者？
• RQ2 在复杂交通场景中，整合物理约束与人类内在状态在多大程度上提升了运动预测的准确性？
• RQ3 与当前最先进模型相比，GAMMA 在多样化真实世界数据集上的泛化能力如何？
• RQ4 端到端可微分优化方法是否能有效学习参与者动力学与交互行为？

主要发现

• GAMMA 在多样化真实世界数据集上显著优于当前最先进运动预测模型。
• 整合物理约束与人类内在状态可生成更真实、更安全的运动预测结果。
• 速度空间中的几何优化框架实现了对异构参与者的稳定且可泛化的预测。
• 该模型在高密度参与者与动态交互的复杂交互交通场景中表现出卓越的鲁棒性。