[论文解读] Leveraging Future Relationship Reasoning for Vehicle Trajectory Prediction

Dae-Hee Park, Hobin Ryu+4 more|arXiv (Cornell University)|May 24, 2023

Autonomous Vehicle Technology and Safety被引用 18

一句话总结

本文提出未来关系建模（FRM），它利用车道级路点占据来概率推断车辆之间的交互，从而实现多模态轨迹预测并在 nuScenes 的长时间预测上达到最先进性能。

ABSTRACT

Understanding the interaction between multiple agents is crucial for realistic vehicle trajectory prediction. Existing methods have attempted to infer the interaction from the observed past trajectories of agents using pooling, attention, or graph-based methods, which rely on a deterministic approach. However, these methods can fail under complex road structures, as they cannot predict various interactions that may occur in the future. In this paper, we propose a novel approach that uses lane information to predict a stochastic future relationship among agents. To obtain a coarse future motion of agents, our method first predicts the probability of lane-level waypoint occupancy of vehicles. We then utilize the temporal probability of passing adjacent lanes for each agent pair, assuming that agents passing adjacent lanes will highly interact. We also model the interaction using a probabilistic distribution, which allows for multiple possible future interactions. The distribution is learned from the posterior distribution of interaction obtained from ground truth future trajectories. We validate our method on popular trajectory prediction datasets: nuScenes and Argoverse. The results show that the proposed method brings remarkable performance gain in prediction accuracy, and achieves state-of-the-art performance in long-term prediction benchmark dataset.

研究动机与目标

• 结合道路结构，以便更好地推理车辆之间的未来交互。
• 建模随机的、多模态的交互，而非确定性的关系。
• 利用车道级信息来预测未来关系并改进轨迹预测。
• 使用 CVAE 进行训练，以捕捉交互与未来路径的不确定性。

提出的方法

• 在车道段上预测路点占据作为未来运动的概率表示。
• 通过对车辆间交互的高斯混合分布来推断未来关系。
• 使用图卷积网络对路点占据进行平滑处理，并在车道拓扑上计算各主体之间的接近度。
• 应用 CVAE 框架联合建模意图（目标）与交互（未来关系），以解码未来轨迹。
• 使用含重构项的 ELBO 优化进行训练，以降低神经关系推断中的边缘退化。

实验结果

研究问题

• RQ1 如何利用车道信息来预测车辆之间的未来交互？
• RQ2 基于概率的、多模态未来关系模型是否能在轨迹预测上优于确定性交互建模？
• RQ3 在真实世界数据集上，显式建模未来关系是否能带来更好的长距离轨迹预测？

主要发现

• 所提出的方法在 nuScenes 的长范围预测上达到先进水平。
• 通过路点占据的显式未来关系建模在理解交互和样本可信度方面优于基于过去轨迹的交互方法。
• 多模态随机交互（高斯混合）比单模态先验得到更好结果。
• 消融研究表明未来关系建模与基于 GCN 的接近度估计对于性能提升至关重要。
• 定性结果显示多样化、考虑交互的轨迹样本，能够体现合理的未来交互。