[论文解读] Predicting Vehicle Behaviors Over An Extended Horizon Using Behavior Interaction Network

Wenchao Ding, Jing Chen+1 more|arXiv (Cornell University)|Mar 3, 2019

Autonomous Vehicle Technology and Safety参考文献 31被引用 9

一句话总结

该论文提出了一种行为交互网络（VBIN），通过使用循环编码和自适应交互加权，对动态、交互感知的车辆行为进行建模，从而提升长时程车辆行为预测性能。该方法实现了平均2.622秒的预测提前时间，并将关键误检（false negatives）减少至206例，在真实高速公路数据集上的准确率和不确定性降低方面优于当前最先进模型。

ABSTRACT

Anticipating possible behaviors of traffic participants is an essential capability of autonomous vehicles. Many behavior detection and maneuver recognition methods only have a very limited prediction horizon that leaves inadequate time and space for planning. To avoid unsatisfactory reactive decisions, it is essential to count long-term future rewards in planning, which requires extending the prediction horizon. In this paper, we uncover that clues to vehicle behaviors over an extended horizon can be found in vehicle interaction, which makes it possible to anticipate the likelihood of a certain behavior, even in the absence of any clear maneuver pattern. We adopt a recurrent neural network (RNN) for observation encoding, and based on that, we propose a novel vehicle behavior interaction network (VBIN) to capture the vehicle interaction from the hidden states and connection feature of each interaction pair. The output of our method is a probabilistic likelihood of multiple behavior classes, which matches the multimodal and uncertain nature of the distant future. A systematic comparison of our method against two state-of-the-art methods and another two baseline methods on a publicly available real highway dataset is provided, showing that our method has superior accuracy and advanced capability for interaction modeling.

研究动机与目标

• 为解决现有行为预测方法预测时域过短的问题，该问题阻碍了自动驾驶车辆的有效长期规划。
• 在高速、动态驾驶场景中更有效地建模车辆交互，此类场景下传统社交池化方法因代理动力学不均而失效。
• 通过利用交互线索实现对可观察操纵模式之外的行为提前预判，扩展预测能力。
• 开发一种端到端可训练、可扩展的交互感知网络，捕捉邻近车辆对行为可能性的影响。
• 提升长期行为预测的准确性并降低不确定性，尤其针对变道行为。

提出的方法

• 该方法使用循环神经网络（RNN）将车辆观测编码为隐藏状态，以捕捉时间动态特性。
• 提出一种新型车辆行为交互网络（VBIN），基于车辆对之间的相对位置、速度和操纵特征计算动态交互权重。
• 将交互特征聚合，计算对预测目标的总社交影响，从而影响行为类别可能性。
• 输出结果为行为类别（如保持车道、变道）的概率分布，反映未来行为的多模态性和不确定性。
• 该模型为端到端可训练架构，专为实时自动驾驶车辆规划设计，具备可扩展性。
• 交互权重为动态学习，避免了在高速场景中传统社交池化方法存在的等权重分配缺陷。

实验结果

研究问题

• RQ1 车辆交互是否能提供可靠线索，用于预测在操纵模式变得可见之前的行为？
• RQ2 在代理动力学显著影响社交影响的高速驾驶场景中，交互建模应如何适应？
• RQ3 可学习的动态交互加权机制是否能在长时程行为预测中超越固定社交池化方法？
• RQ4 交互感知建模在多大程度上提升了预测准确率并延长了预测时域？
• RQ5 所提方法在远期未来行为预测中如何减少误报和漏报？

主要发现

• 所提出的VBIN实现了2.622秒的最高平均预测提前时间，显著延长了与基线模型相比的预测时域。
• 该方法将关键误检（FNs）减少至206例，为所有对比方法中最低，表明在变道行为的早期检测方面表现更优。
• 关键误报（FPs）数量减少至322例，为所有方法中最低，证明通过交互建模实现了更优的误报抑制。
• VBIN在所有到达碰撞时间（TTLC）值下的负对数似然（NLL）损失最低，证实其分类准确率更优。
• 在TTLC为3.6秒时，VBIN以高置信度正确预测了变道行为，而CLSTM因静态社交池化导致的错误阻塞假设而失败。
• 该模型在F1分数、精确率和召回率方面优于两种最先进方法和两种基线模型，尤其在长时程预测中表现突出。