[论文解读] Maneuver-based Anchor Trajectory Hypotheses at Roundabouts

Mohamed Hasan, Evangelos Paschalidis+4 more|arXiv (Cornell University)|Apr 22, 2021

Autonomous Vehicle Technology and Safety参考文献 25被引用 4

一句话总结

该论文提出了一种基于机动动作的锚定轨迹方法，用于环岛中的多模态车辆运动预测，采用编码器-解码器LSTM模型，并结合与机动动作相关的锚定轨迹，以提高预测准确性。通过将驾驶员意图建模为离散的机动动作，并从锚定轨迹回归残差，该方法在RounD数据集上相比最佳基线模型将平均RMSE降低了28%。

ABSTRACT

Predicting future behavior of the surrounding vehicles is crucial for self-driving platforms to safely navigate through other traffic. This is critical when making decisions like crossing an unsignalized intersection. We address the problem of vehicle motion prediction in a challenging roundabout environment by learning from human driver data. We extend existing recurrent encoder-decoder models to be advantageously combined with anchor trajectories to predict vehicle behaviors on a roundabout. Drivers' intentions are encoded by a set of maneuvers that correspond to semantic driving concepts. Accordingly, our model employs a set of maneuver-specific anchor trajectories that cover the space of possible outcomes at the roundabout. The proposed model can output a multi-modal distribution over the predicted future trajectories based on the maneuver-specific anchors. We evaluate our model using the public RounD dataset and the experiment results show the effectiveness of the proposed maneuver-based anchor regression in improving prediction accuracy, reducing the average RMSE to 28% less than the best baseline. Our code is available at https://github.com/m-hasan-n/roundabout.

研究动机与目标

• 提升在环岛等非结构化、动态环境中的多模态车辆轨迹预测性能。
• 利用诸如“减速”或“驶入某区域”等语义机动动作，对人类驾驶员意图进行建模。
• 通过将与机动动作相关的锚定轨迹融入循环编码器-解码器框架，提升预测准确性。
• 通过基于锚定的回归与概率池化，生成未来轨迹的多模态分布。
• 在公开的RounD数据集上评估模型，并证明其优于现有基线模型。

提出的方法

• 该模型采用序列到序列的LSTM编码器-解码器架构，并结合社交池化机制，以编码自车与邻近车辆之间的交互。
• 驾驶员意图被建模为离散的机动动作，每个机动动作对应一条固定的锚定轨迹，代表一种语义驾驶行为。
• 一个机动识别模块预测每种机动动作的可能性，用于选择相应的锚定轨迹。
• 模型从锚定轨迹回归残差，以优化预测的未来路径，通过多变量高斯分布实现不确定性建模。
• 扩展了池化策略以处理多变量高斯输出，从而提升轨迹估计的准确性。
• 模型采用负对数似然损失进行端到端训练，并在RounD数据集上使用RMSE进行评估。

实验结果

研究问题

• RQ1 基于机动动作的锚定轨迹是否能提升环岛中多模态车辆运动预测的性能？
• RQ2 通过离散机动动作建模驾驶员意图，对预测准确性有何影响？
• RQ3 在复杂的环岛环境中，基于锚定的残差回归是否优于直接的轨迹回归？
• RQ4 与单一最优估计预测相比，使用基于高斯混合模型（GMM）的多模态分布（基于锚定轨迹）有何影响？
• RQ5 在轨迹预测中，与仅使用位置信息的建模相比，包含车辆位姿（位置与朝向）的建模有何优势？

主要发现

• 所提出的3D-A-W模型通过其概率加权的各锚定轨迹MAP估计值的加权和，实现了所有预测时长下的最低RMSE。
• 3D-A-W模型相比最佳基线模型（3D-M）将平均RMSE降低了28%，证明了多模态估计的有效性。
• 引入车辆朝向信息（3D）相比仅使用位置信息（2D）的建模，显著提升了预测准确性，尤其在较长预测时长下表现更优。
• 添加机动识别模块（3D-M）相比3D基线模型，将平均RMSE降低了近24%，凸显了意图建模的价值。
• 3D-A-P模型（选择最可能的单一锚定轨迹）已优于所有基线模型，表明基于锚定的回归具有显著优势。
• 模型在1秒预测时RMSE为0.38米，2秒时为0.80米，3秒时为1.76米，4秒时为3.08米，且3D-A-W变体始终优于3D-A-P变体。