[论文解读] MATS: An Interpretable Trajectory Forecasting Representation for Planning and Control

Boris Ivanovic, Amine Elhafsi+3 more|arXiv (Cornell University)|Sep 16, 2020

Advanced Database Systems and Queries被引用 20

一句话总结

本文提出 MATS（仿射时变系统混合模型），一种新型轨迹预测表征方法，将智能体行为建模为线性仿射动力系统，实现与运动规划器的直接集成。通过将多模态预测编码为时变系统矩阵，MATS 实现了高效、交互感知的运动规划，QP 求解时间仅为 50ms，且规划速度比基于轨迹片段的方法快 100 倍，即使在处理 24 个智能体和 552 个交互的情况下也表现优异。

ABSTRACT

Reasoning about human motion is a core component of modern human-robot interactive systems. In particular, one of the main uses of behavior prediction in autonomous systems is to inform robot motion planning and control. However, a majority of planning and control algorithms reason about system dynamics rather than the predicted agent tracklets (i.e., ordered sets of waypoints) that are commonly output by trajectory forecasting methods, which can hinder their integration. Towards this end, we propose Mixtures of Affine Time-varying Systems (MATS) as an output representation for trajectory forecasting that is more amenable to downstream planning and control use. Our approach leverages successful ideas from probabilistic trajectory forecasting works to learn dynamical system representations that are well-studied in the planning and control literature. We integrate our predictions with a proposed multimodal planning methodology and demonstrate significant computational efficiency improvements on a large-scale autonomous driving dataset.

研究动机与目标

• 解决自动驾驶系统中轨迹预测与下游运动规划之间的集成鸿沟。
• 开发一种表征方法，通过将多模态预测编码为动力系统参数，实现高效、实时规划。
• 在保持复杂交通场景中安全性和交互感知的前提下，降低规划的计算成本。
• 使规划器能够事后评估自车控制动作对预测智能体行为的影响。
• 在大规模真实场景中，显著提升基于轨迹片段的规划方法的效率。

提出的方法

• MATS 将智能体轨迹表示为仿射时变动力系统的混合，由时变矩阵 A、B 和 c 参数化。
• 模型通过时变系统矩阵学习智能体与自车间的交互动力学，特别是 B 矩阵，其编码了自车对其他智能体的影响。
• 采用多模态规划框架，利用 MATS 表征联合优化自车控制序列与智能体响应预测。
• 规划器采用模型预测控制（MPC）公式，使用对应于最可能模式的多个并行时域，作为凸二次规划（QP）求解。
• 系统在 nuScenes 数据集上端到端训练，预测与规划共享参数。
• 该方法利用时空图结构，其中 A、B 和 c 矩阵的块代表智能体动力学与交互。

实验结果

研究问题

• RQ1 类似 MATS 的动力系统表征能否有效建模真实交通场景中复杂、多模态的人类运动？
• RQ2 与基于轨迹片段的预测方法相比，MATS 在运动规划中如何提升计算效率？
• RQ3 MATS 在多大程度上使规划器能够推理自车动作对预测智能体行为的影响？
• RQ4 MATS 在实现高效、交互感知规划的同时，是否保持了足够的预测精度？
• RQ5 基于 MATS 的规划能否在城市交叉路口等复杂多智能体环境中生成安全且平滑的轨迹？

主要发现

• MATS 表征使规划的平均 QP 求解时间仅为 50ms（CPU 上），显著快于基于轨迹片段的方法。
• 在 24 个智能体的交叉路口场景中，所提方法规划所有智能体及其 552 个有向交互的时间，与基于轨迹片段的方法规划单个智能体所需时间相当。
• 规划时间从每步 0.25s（TBPP）降低至每步低于 50ms，实现规划频率 5 倍提升。
• 自车对其他智能体的影响（由 B 矩阵捕捉）在自车位于交叉路口中心时达到峰值，证实了物理解释性。
• 该模型在保持高效规划的同时维持了强大的预测性能，仅因结构约束导致预测精度出现轻微下降。
• 规划器成功生成了安全、平滑的轨迹，避免了碰撞，且未阻碍交通流，即使在其他智能体速度变化时亦然。