[论文解读] GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction

Ziyi Zhao, Haowen Fang+2 more|arXiv (Cornell University)|Mar 22, 2020

Autonomous Vehicle Technology and Safety参考文献 32被引用 10

一句话总结

本文提出GISNet，一种基于图的交互信息共享网络，通过图神经网络建模目标车辆与其邻近车辆之间的动态交互，从而提升车辆轨迹预测性能。通过编码多模态轨迹特征和相对位置信息，GISNet在NGSIM数据集上的预测误差相比最先进方法最高降低50.00%。

ABSTRACT

The trajectory prediction is a critical and challenging problem in the design of an autonomous driving system. Many AI-oriented companies, such as Google Waymo, Uber and DiDi, are investigating more accurate vehicle trajectory prediction algorithms. However, the prediction performance is governed by lots of entangled factors, such as the stochastic behaviors of surrounding vehicles, historical information of self-trajectory, and relative positions of neighbors, etc. In this paper, we propose a novel graph-based information sharing network (GISNet) that allows the information sharing between the target vehicle and its surrounding vehicles. Meanwhile, the model encodes the historical trajectory information of all the vehicles in the scene. Experiments are carried out on the public NGSIM US-101 and I-80 Dataset and the prediction performance is measured by the Root Mean Square Error (RMSE). The quantitative and qualitative experimental results show that our model significantly improves the trajectory prediction accuracy, by up to 50.00%, compared to existing models.

研究动机与目标

• 解决自动驾驶系统中准确预测车辆轨迹的挑战。
• 建模目标车辆与周围车辆之间的复杂交互关系，包括其潜在意图。
• 通过整合历史轨迹数据与相对空间关系，提升预测准确性。
• 开发一种可扩展的信息共享机制，以捕捉动态交通交互。
• 在定量与定性轨迹预测基准测试中超越现有模型。

提出的方法

• GISNet构建一个动态图，其中节点代表车辆（目标车辆及其邻居），边编码相对空间与时间关系。
• 该模型使用图神经网络（GNN）在车辆图中传播并聚合轨迹特征。
• 将包含历史轨迹与相对位置的多维输入序列嵌入共享特征空间，以实现联合处理。
• GNN实现目标车辆与邻居之间的信息共享，捕捉局部与全局交通动态。
• 该架构融合欧氏空间（空间）与非欧氏关系（关联）域的特征，以提升表征学习能力。
• 采用多头注意力机制，根据邻居车辆对目标车辆未来运动的相关性来加权其重要性。

实验结果

研究问题

• RQ1 如何有效共享周围车辆的信息以提升轨迹预测的准确性？
• RQ2 与基于序列或张量的方法相比，基于图的车辆交互建模在多大程度上能提升预测性能？
• RQ3 该模型能否通过关系特征学习捕捉邻居车辆的潜在意图？
• RQ4 相对空间位置与历史轨迹的融合如何影响长期预测的准确性？
• RQ5 在真实交通场景中，所提出的GISNet相比现有最先进模型的性能提升如何？

主要发现

• 在NGSIM US-101和I-80数据集上，GISNet相比现有模型将均方根误差（RMSE）最高降低50.00%。
• 在1秒预测时延下，相比CS-LSTM，GISNet实现45.35%的准确率提升，5秒时下降至25.86%。
• 与MATS相比，GISNet在1秒时实现50.00%的误差降低，5秒时为21.79%，表明其具备更优的长期预测能力。
• 定性结果表明，GISNet能准确预测车辆运动趋势，包括变道与启停行为，即使在拥挤和拥堵交通中亦然。
• 相比NLS-LSTM，GISNet在1秒时将RMSE降低41.07%，5秒时降低24.88%，表明其在不同预测时延下均具鲁棒性。
• 可视化结果证实，GISNet的预测轨迹尤其在高速与低速交通条件下，与真实轨迹高度吻合。