[论文解读] Multi-Vehicle Trajectories Generation for Vehicle-to-Vehicle Encounters.

Wenhao Ding, Wenshuo Wang+1 more|arXiv (Cornell University)|Sep 15, 2018

Autonomous Vehicle Technology and Safety参考文献 20被引用 8

一句话总结

本文提出了一种基于变分自编码器（VAE）的无监督多车辆轨迹生成框架，用于学习车辆间交互的解耦、可解释的潜在表征。通过从学习到的潜在空间采样，多车辆轨迹生成器（MTG）能够生成多样化、符合交通情境的驾驶场景，其在解耦性和真实感方面优于基线VAE和infoGAN，从而为自动驾驶车辆的鲁棒测试提供了支持。

ABSTRACT

Generating multi-vehicle trajectories analogous to these in real world can provide reliable and versatile testing scenarios for autonomous vehicle. This paper presents an unsupervised learning framework to achieve this. First, we implement variational autoencoder (VAE) to extract interpretable and controllable representatives of vehicle encounter trajectory. Through sampling from the distribution of these representatives, we are able to generate new meaningful driving encounters with a developed Multi-Vehicle Trajectory Generator (MTG). A new metric is also proposed to comprehensively analyze and compare disentangled models. It can reveal the robustness of models and the dependence among latent codes, thus providing guidance for practical application to improve system performance. Experimental results demonstrate that our proposed MTG outperforms infoGAN and vanilla VAE in terms of disentangled ability and traffic awareness. These generations can provide abundant and controllable driving scenarios, thus providing testbeds and algorithm design insights for autonomous vehicle development.

研究动机与目标

• 为自动驾驶车辆测试生成真实、多样化且可控制的多车辆驾驶交互场景。
• 在无需人工标注标签的情况下，学习车辆轨迹模式的解耦且可解释的潜在表征。
• 开发一种可扩展且多功能的轨迹生成器，支持自动驾驶车辆开发中的系统性场景设计。
• 评估模型的鲁棒性及潜在代码的独立性，以指导实际部署。

提出的方法

• 在类真实世界的多车辆轨迹数据上训练变分自编码器（VAE），以学习紧凑且解耦的潜在空间。
• 从VAE的潜在空间中提取可解释且可控制的轨迹代表性样本，用于场景设计。
• 开发多车辆轨迹生成器（MTG），用于从学习到的潜在分布中采样，并合成新的、有意义的驾驶交互场景。
• 提出一种新度量方法，用于评估潜在代码之间的解耦性、鲁棒性及相互依赖性。
• 该框架支持条件采样，可生成具有特定驾驶行为或交互类型的场景。
• 通过定性与定量分析，将该方法与infoGAN和基线VAE进行对比评估。

实验结果

研究问题

• RQ1 无监督的VAE框架能否学习到多车辆轨迹模式的解耦且可解释的表征？
• RQ2 生成的轨迹在多大程度上能反映真实世界的交通动态与交互多样性？
• RQ3 模型中的潜在代码在多大程度上代表了独立的驾驶行为或交互类型？
• RQ4 所提出的度量方法相较于现有模型，如何揭示模型的鲁棒性与代码独立性？
• RQ5 MTG能否生成比基线GAN和VAE方法更真实且可控制的场景？

主要发现

• 所提出的多车辆轨迹生成器（MTG）在解耦性方面优于基线VAE和infoGAN。
• 该模型生成了多样化且符合交通情境的驾驶场景，其与真实世界中的车辆间交互高度相似。
• 所提出的度量方法成功识别出潜在代码之间的依赖关系，并有效评估了模型的鲁棒性。
• 从学习到的潜在空间中采样，可实现对特定交互类型的可控生成，例如变道或汇入操作。
• MTG在建模复杂的多车辆交互方面表现出更优性能，支持为自动驾驶车辆构建更丰富的测试环境。
• 实验结果证实，MTG在解耦性和交通情境感知度量方面均优于基线模型。