[论文解读] Impact of Traffic Lights on Trajectory Forecasting of Human-driven Vehicles Near Signalized Intersections

Geunseob Oh, Huei Peng|arXiv (Cornell University)|Jun 2, 2019

Autonomous Vehicle Technology and Safety参考文献 24被引用 4

一句话总结

本文提出了一种新颖的轨迹预测框架，利用车路通信（V2I）获取未来交通灯（TL）状态，从而更准确地预测信号交叉口附近人类驾驶车辆的行为。通过建模驾驶员对交通灯相位（绿灯、黄灯、红灯）及相位时序的响应行为，采用确定性与概率性人类策略模型，该方法在长时预测（如15秒GYR场景）中将轨迹预测误差降低至原来的1/150，尤其在复杂场景（如黄灯犹豫区）中表现显著。

ABSTRACT

Forecasting trajectories of human-driven vehicles is a crucial problem in autonomous driving. Trajectory forecasting in the urban area is particularly hard due to complex interactions with cars and pedestrians, and traffic lights (TLs). Unlike the former that has been widely studied, the impact of TLs on the trajectory prediction has been rarely discussed. In this work, we first identify the less studied, perhaps overlooked impact of TLs. Second, we present a novel resolution that is mindful of the impact, inspired by the fact that human drives differently depending on signal phase (green, yellow, red) and timing (elapsed time). Central to the proposed approach is Human Policy Models which model how drivers react to various states of TLs by mapping a sequence of states of vehicles and TLs to a subsequent action (acceleration) of the vehicle. We then combine the Human Policy Models with a known transition function (system dynamics) to conduct a sequential prediction; thus our approach is viewed as Behavior Cloning. One novelty of our approach is the use of vehicle-to-infrastructure communications to obtain the future states of TLs. We demonstrate the impact of TL and the proposed approach using an ablation study for longitudinal trajectory forecasting tasks on real-world driving data recorded near a signalized intersection. Finally, we propose probabilistic (generative) Human Policy Models which provide probabilistic contexts and capture competing policies, e.g., pass or stop in the yellow-light dilemma zone.

研究动机与目标

• 识别城市环境中交通灯对轨迹预测精度被忽视的影响。
• 开发一种基于行为克隆的框架，以建模人类驾驶员对动态交通灯状态（相位与时序）的响应行为。
• 通过V2I通信获取未来交通灯状态信息，实现更精确的长期轨迹预测。
• 利用概率策略建模方法，解决多模态行为（如黄灯犹豫区的停车或通行）问题。
• 通过真实信号交叉口驾驶数据的消融实验，验证该方法的有效性。

提出的方法

• 该方法利用车路通信（V2I）获取未来交通灯相位与时序信息，并将其整合到预测模型中。
• 提出确定性人类策略模型，将车辆与交通灯状态序列映射为加速度动作，将驾驶员行为建模为交通灯状态与已过去时间的函数。
• 提出人类策略模型的概率扩展，以捕捉竞争性策略（如黄灯阶段的停车或通行），实现多模态轨迹预测。
• 将人类策略模型与已知的系统动力学转移函数结合，实现序列轨迹预测，支持确定性与生成式预测。
• 采用蒙特卡洛采样估计预测不确定性，并从概率模型生成多样化且逼真的轨迹样本。
• 基于真实信号交叉口数据评估该方法，通过消融实验对比具备与不具备交通灯状态感知能力的模型。

实验结果

研究问题

• RQ1 未来交通灯状态的不确定性在多大程度上影响人类驾驶车辆在交叉口附近的轨迹预测精度？
• RQ2 未来交通灯相位与时序信息在多大程度上能提升长期轨迹预测性能？
• RQ3 基于行为克隆的模型能否有效捕捉驾驶员在交通信号灯处的状态相关行为，包括绿灯、黄灯与红灯之间的转换？
• RQ4 概率模型在多大程度上能准确表示竞争性驾驶员策略，如在黄灯犹豫区的停车或通行行为？
• RQ5 在多种交叉口场景下，引入V2I获取的未来交通灯状态信息对预测误差有何影响？

主要发现

• 与缺乏交通灯状态感知能力的模型相比，所提方法在长时预测（如15秒GYR场景）中，将轨迹预测误差（MAE、TWAE、ADN）降低至原来的1/150。
• 在5秒预测时域下，该方法在标准笔记本电脑上对最可能轨迹的推理时间低于10毫秒，展现出优异的计算效率。
• 概率模型成功捕捉了黄灯犹豫区的双重行为，以适当概率同时预测出‘停车’与‘通行’轨迹，而确定性模型在此类场景中表现失败。
• 消融实验证实，获取未来交通灯状态信息能显著提升所有测试场景（G、R、GY、YR、RG、GYR）下的预测精度，尤其在长期预测中增益最大。
• 预测中的异常值主要源于边缘情况（如突然刹车）与竞争性策略，而概率模型通过多模态输出有效捕捉了这些情况。
• 该框架具备生成能力，支持蒙特卡洛采样以估计不确定性，为鲁棒的自动驾驶规划提供实用工具。