[论文解读] Modeling Multi-Vehicle Interaction Scenarios Using Gaussian Random Field

Yaohui Guo, Vinay Varma Kalidindi+5 more|arXiv (Cornell University)|Jun 25, 2019

Autonomous Vehicle Technology and Safety参考文献 14被引用 4

一句话总结

本文提出了一种非参数贝叶斯框架，利用具有狄利克雷过程（DP）先验的高斯过程（GP）混合模型，从自然交通数据中学习运动模式，以建模多车交互场景。该方法无需预先指定场景类型，即可捕捉复杂、高维的驾驶交互行为，实现对高速公路和交叉路口场景的真实感模拟，并隐式学习道路布局。

ABSTRACT

Autonomous vehicles are expected to navigate in complex traffic scenarios with multiple surrounding vehicles. The correlations between road users vary over time, the degree of which, in theory, could be infinitely large, thus posing a great challenge in modeling and predicting the driving environment. In this paper, we propose a method to model multi-vehicle interactions using a stochastic vector field model and apply non-parametric Bayesian learning to extract the underlying motion patterns from a large quantity of naturalistic traffic data. We then use this model to reproduce the high-dimensional driving scenarios in a finitely tractable form. We use a Gaussian process to model multi-vehicle motion, and a Dirichlet process to assign each observation to a specific scenario. We verify the effectiveness of the proposed method on highway and intersection datasets from the NGSIM project, in which complex multi-vehicle interactions are prevalent. The results show that the proposed method can capture motion patterns from both settings, without imposing heroic prior, and hence demonstrate the potential application for a wide array of traffic situations. The proposed modeling method could enable simulation platforms and other testing methods designed for autonomous vehicle evaluation, to easily model and generate traffic scenarios emulating large scale driving data.

研究动机与目标

• 开发一种完全基于数据的方法，用于建模自动驾驶环境中的复杂、高维多车交互行为。
• 克服传统模型依赖强先验、固定场景数量或简化一对一交互行为的局限性。
• 在不预先假设交互场景数量的前提下，从大规模自然交通数据中提取潜在运动模式。
• 生成真实、具有代表性的交通场景，用于自动驾驶测试与仿真。
• 仅从轨迹数据中隐式学习道路布局与车道级行为，无需显式几何输入。

提出的方法

• 将多车运动建模为高斯过程（GP）分量的混合，其中每个分量代表一种独特的运动模式。
• 使用狄利克雷过程（DP）先验，非参数地从数据中推断运动模式的数量，避免预先指定。
• 应用吉布斯采样对混合分量、权重以及GP超参数进行后验推断。
• 将每种运动模式表示为感兴趣区域（ROI）上的GP速度场，实现平滑、连续的轨迹生成。
• 在NGSIM高速公路和交叉路口数据集上训练模型，从真实世界观测中学习交互动力学。
• 利用学习到的GP均值速度场生成反映观测交互场景的轨迹，包括车道使用和转向行为。

实验结果

研究问题

• RQ1 非参数贝叶斯模型是否能有效从大规模自然交通数据中学习多车交互模式，而无需预先假设场景数量？
• RQ2 基于高斯过程的速度场模型在多方向交互复杂的交叉路口和高速公路上的建模能力如何？
• RQ3 该模型在仅依赖轨迹数据的情况下，能在多大程度上隐式学习道路布局和车道级行为？
• RQ4 学习到的运动模式能否生成真实、多样的交通场景，以反映真实世界的驾驶行为？
• RQ5 与参数化或简化的模型相比，该模型在捕捉动态、高维交互行为方面的表现如何？

主要发现

• 该模型成功从高速公路和交叉路口数据集中学习到运动模式，捕捉了包括汇入、变道和左转在内的多种交互类型。
• GP均值速度场在未提供显式几何输入的情况下，隐式学习到了道路边界和车道配置，表现为道路区域外的概率质量较低。
• 模拟轨迹与真实世界行为高度吻合，包括方向性流动以及交叉路口的停走模式。
• 模型生成的运动模式反映了语义交通场景（如车辆左转、直行或在交叉路口等待），而无需人工标注。
• 狄利克雷过程实现了对潜在运动模式数量的自动发现，避免了对场景数量的先验假设。
• 该框架在建模复杂、多方向交互方面表现出鲁棒性，尤其在交互多样性高于高速公路数据的交叉路口场景中表现更优。