[论文解读] Interaction-aware Kalman Neural Networks for Trajectory Prediction

Ce Ju, Zheng Wang+3 more|arXiv (Cornell University)|Feb 28, 2019

Traffic Prediction and Management Techniques被引用 10

一句话总结

本文提出交互感知卡尔曼神经网络（IaKNN），一种多层深度学习架构，通过交互感知加速度、运动学轨迹变换以及可学习的卡尔曼滤波器，对车辆交互进行建模，实现鲁棒的轨迹预测。在NGSIM数据集上，IaKNN相较于最佳基线模型（CS-LSTM）实现了10%的性能提升，展现出在复杂交通场景下的优越性能。

ABSTRACT

Forecasting the motion of surrounding obstacles (vehicles, bicycles, pedestrians and etc.) benefits the on-road motion planning for intelligent and autonomous vehicles. Complex scenes always yield great challenges in modeling the patterns of surrounding traffic. For example, one main challenge comes from the intractable interaction effects in a complex traffic system. In this paper, we propose a multi-layer architecture Interaction-aware Kalman Neural Networks (IaKNN) which involves an interaction layer for resolving high-dimensional traffic environmental observations as interaction-aware accelerations, a motion layer for transforming the accelerations to interaction aware trajectories, and a filter layer for estimating future trajectories with a Kalman filter network. Attributed to the multiple traffic data sources, our end-to-end trainable approach technically fuses dynamic and interaction-aware trajectories boosting the prediction performance. Experiments on the NGSIM dataset demonstrate that IaKNN outperforms the state-of-the-art methods in terms of effectiveness for traffic trajectory prediction.

研究动机与目标

• 解决在车辆间存在高维动态交互的复杂交通场景中进行轨迹预测的挑战。
• 通过建模多车环境中的集体性、交互感知运动模式，克服单智能体模型的局限性。
• 通过融合深度学习与概率滤波，提升对噪声传感器数据和不确定性的处理能力，从而提高预测准确性。
• 开发一个端到端可训练的框架，融合动态轨迹与交互感知信号，实现鲁棒的运动预测。

提出的方法

• 采用多层架构，通过卷积神经网络和LSTM网络构建交互层，从邻近车辆的历史轨迹中提取交互感知加速度。
• 利用运动层通过运动学积分，将交互感知加速度转换为交互感知轨迹。
• 在滤波层中引入卡尔曼滤波器，通过两个LSTM网络学习时变的过程噪声和测量噪声参数，以估计未来轨迹。
• 在滤波层中融合动态轨迹与交互感知轨迹，以提升估计精度与鲁棒性。
• 采用Adam优化算法配合梯度裁剪和Xavier权重初始化，对整个模型进行端到端训练。
• 引入社会力作为潜在表征，以建模密集交通中车辆之间的隐式交互效应。

实验结果

研究问题

• RQ1 深度学习模型能否有效捕捉密集交通场景中车辆之间复杂的高维交互效应？
• RQ2 与标准RNN模型相比，将可学习的卡尔曼滤波器与交互感知加速度相结合，能否显著提升轨迹预测精度？
• RQ3 在传感器数据存在噪声的条件下，融合交互感知轨迹与动态轨迹在多大程度上能增强预测的鲁棒性？
• RQ4 所提出的架构在真实世界轨迹预测基准测试中，能否在RMSE与NLL指标上均优于最先进方法？

主要发现

• 在NGSIM数据集上，IaKNN在5秒预测时域内，相较于最佳基线模型CS-LSTM，RMSE指标提升了约10%。
• 该模型在所有对比方法中实现了最低的NLL，表明其预测轨迹的概率校准性能更优。
• 案例研究显示，IaKNN能准确预测变道意图与安全跟驰行为，反映出真实的交通动力学特征。
• 交互层成功捕捉到类似社会力的交互模式，使模型能够预判集体行为（如变道）的发生。
• 卡尔曼滤波层中引入的可学习过程噪声与测量噪声显著提升了轨迹估计的稳定性和准确性。
• 在交互密度高的复杂场景中，IaKNN展现出显著优于单智能体模型的性能，后者难以捕捉集体运动模式。