[论文解读] Multi-Fidelity Recursive Behavior Prediction

Mihir Jain, Kyle Brown+1 more|arXiv (Cornell University)|Dec 18, 2018

Autonomous Vehicle Technology and Safety参考文献 19被引用 4

一句话总结

本文提出多保真度递归行为预测（MFRBP），一种基于博弈论的模型，通过递归推理代理之间未来的交互关系（采用Level-$k$与认知层级范式），提升车辆轨迹预测的准确性。该模型在NGSIM数据集上实现最先进性能，相较于先前方法显著降低均方根误差（RMSE），尤其在较长预测时域下表现更优，其多保真度建模机制为关键代理（如自车）分配更高推理层级。

ABSTRACT

Predicting the behavior of surrounding vehicles is a critical problem in automated driving. We present a novel game theoretic behavior prediction model that achieves state of the art prediction accuracy by explicitly reasoning about possible future interaction between agents. We evaluate our approach on the NGSIM vehicle trajectory data set and demonstrate lower root mean square error than state-of-the-art methods.

研究动机与目标

• 通过显式建模交通代理之间的未来交互，提升自动驾驶中车辆行为预测的准确性。
• 通过引入递归博弈论推理框架，解决现有模型要么忽略交互、要么隐式依赖场景上下文的局限性。
• 实现多保真度预测，根据不同代理的重要性（如自车与周边车辆）分配不同层次的推理保真度。
• 评估基于规划自车轨迹进行条件预测的影响，模拟真实自动驾驶场景。
• 证明递归多保真度推理可带来可测量的预测准确性提升，优于当前最先进基线模型。

提出的方法

• 该模型采用受Level-$k$与认知层级推理启发的递归预测机制，其中第$k$层代理的轨迹依赖于其他代理在前$k-1$层的最高层预测。
• 每个代理被分配一个推理层级$k_i$，以及一系列策略模型$(\pi_{i,0}, \dots, \pi_{i,k_i})$，更高层级整合了更复杂的交互建模能力。
• 轨迹预测建模为均值$\hat{\mathbf{x}}_{i,k}^{(t+1:t_f)}$与协方差$\Sigma_{i,k}$的高斯分布，条件依赖于当前历史及其它代理的前序层预测。
• 通过为周边代理分配较低推理层级（$k_i = 0$）与简化策略模型（如恒定速度），而自车则使用更高层级与更复杂模型，实现多保真度建模。
• 模型整合了卷积社交池化（CSP）的组件用于特征提取与轨迹预测，基线实现中采用Leaky ReLU激活函数与Adam优化算法。
• 实验包含三种变体：L1-RBP（单层级）、L1-MFRBP（多保真度自车中心）、以及一个规划感知变体，后者将真实自车轨迹作为输入以条件化预测。

实验结果

研究问题

• RQ1 与非交互或隐式交互模型相比，对代理未来交互关系进行递归博弈论推理，是否能提升轨迹预测准确性？
• RQ2 多保真度建模——即为不同代理分配不同推理层级与策略模型——是否能提升预测性能，特别是在自车中心的自动驾驶场景中？
• RQ3 基于候选未来自车轨迹（如规划路径）进行条件预测，能带来多大程度的准确性提升？
• RQ4 所提出的递归框架是否能在NGSIM等标准基准上超越当前最先进基线模型（如CSP）？
• RQ5 增加推理深度（更高$k$值）对预测误差有何影响，特别是在较长时间预测范围内？

主要发现

• L1-RBP在所有时间跨度下均优于基线$\mathbf{\pi}_{\text{CSP}}$模型，1秒时RMSE相对降低14.5%，5秒时降低8.5%。
• L1-MFRBP（采用自车中心多保真度建模）相比基线实现轻微但稳定的性能提升，2秒时RMSE为1.20，5秒时为4.16。
• L1-MFRBP的规划感知变体（基于真实自车轨迹进行条件预测）表现最佳，4秒时RMSE为2.88，5秒时为4.01，表明获取规划轨迹可显著提升预测准确性。
• 性能提升在较长预测时域下更为显著，表明对未来的交互关系进行递归推理特别有利于长期运动预测。
• 该模型的递归结构支持可扩展的、分层的交互推理，无需进行完整的联合轨迹优化。
• 将CSP特征与递归博弈论推理相结合，证明了深度学习与结构化推理在行为预测中结合的有效性。