[论文解读] Maneuver-Aware Pooling for Vehicle Trajectory Prediction

Mohamed Hasan, Albert Solernou+4 more|arXiv (Cornell University)|Apr 29, 2021

Autonomous Vehicle Technology and SafetyEngineering参考文献 18被引用 17

一句话总结

本文提出了一种针对车辆轨迹预测的机动感知池化机制，通过引入极坐标轨迹表示、车辆朝向和径向速度，在变道和高速汇入场景中提升了预测精度。该方法在编码器-解码器生成模型中增强了交互建模能力，在NGSIM数据集上优于最先进池化策略，尤其在特定机动行为评估中表现突出，并提供了公开的代码库。

ABSTRACT

Autonomous vehicles should be able to predict the future states of its environment and respond appropriately. Specifically, predicting the behavior of surrounding human drivers is vital for such platforms to share the same road with humans. Behavior of each of the surrounding vehicles is governed by the motion of its neighbor vehicles. This paper focuses on predicting the behavior of the surrounding vehicles of an autonomous vehicle on highways. We are motivated by improving the prediction accuracy when a surrounding vehicle performs lane change and highway merging maneuvers. We propose a novel pooling strategy to capture the inter-dependencies between the neighbor vehicles. Depending solely on Euclidean trajectory representation, the existing pooling strategies do not model the context information of the maneuvers intended by a surrounding vehicle. In contrast, our pooling mechanism employs polar trajectory representation, vehicles orientation and radial velocity. This results in an implicitly maneuver-aware pooling operation. We incorporated the proposed pooling mechanism into a generative encoder-decoder model, and evaluated our method on the public NGSIM dataset. The results of maneuver-based trajectory predictions demonstrate the effectiveness of the proposed method compared with the state-of-the-art approaches. Our "Pooling Toolbox" code is available at https://github.com/m-hasan-n/pooling.

研究动机与目标

• 提升自动驾驶车辆在复杂机动行为（如变道和高速汇入）中的轨迹预测精度。
• 解决现有池化方法仅依赖欧氏轨迹表示而无法捕捉机动意图的局限性。
• 通过引入车辆朝向和径向速度等高阶动力学特性，更有效地建模车辆间依赖关系。
• 开发一种隐式编码机动意识的池化机制，无需在训练过程中提供显式的机动标签。
• 不仅评估整体性能，还针对特定机动行为进行评估，揭示在关键驾驶场景中的性能提升。

提出的方法

• 所提出的池化机制使用极坐标（距离 r 和角度 φ）代替笛卡尔坐标来表示相对车辆轨迹。
• 引入车辆朝向以增强机动意识，从而更好地建模变道和汇入过程中的方向意图。
• 在表示中增加径向速度（Vr），以捕捉车辆向或远离自车运动的趋势，提升动态交互建模能力。
• 池化操作将邻近车辆的LSTM编码状态与其极坐标轨迹特征拼接，形成机动感知的上下文向量。
• 该方法被集成到一个生成式编码器-解码器模型中，输出基于语义机动的多模态轨迹分布。
• 在完整模型中使用机动识别模块，基于LSTM编码的车辆动力学和径向速度预测机动类别（如汇入、左变道等）。

实验结果

研究问题

• RQ1 在池化机制中引入车辆朝向和径向速度是否能提升变道和高速汇入场景下的轨迹预测精度？
• RQ2 与欧氏表示相比，相对轨迹的极坐标表示在建模车辆间交互方面表现如何？
• RQ3 一种隐式编码机动意图的池化策略是否在整体和机动特定评估中均优于传统池化方法？
• RQ4 引入径向速度在多大程度上增强了模型预测高风险机动（如变道）的能力？
• RQ5 是否可以通过机动感知池化机制提升学习效率，而无需在训练过程中提供显式的机动标注？

主要发现

• 所提出的Polar-Vr池化策略在整体和基于机动的轨迹预测精度上，显著优于S-LSTM、CSP和S-GAN基线模型。
• 仅使用极坐标（Polar）已能显著提升性能，尤其在变道和汇入机动中表现更优。
• 引入径向速度（Polar-Vr）进一步提升了预测精度，证明高阶动力学在交互建模中的重要性。
• 将机动识别模块应用于基线模型并未改善RMSE，表明主要性能提升源于池化机制本身，而非机动分类。
• 尽管数据分布偏向保持车道行为，该模型在特定机动评估中仍表现优异，尤其在左变道、右变道和汇入场景中。
• 结果证实，建模车辆朝向和径向速度可实现更高效的学习过程，并在复杂交通场景中获得更好的泛化能力。