[论文解读] Probabilistic Prediction of Vehicle Semantic Intention and Motion

Yeping Hu, Wei Zhan+1 more|arXiv (Cornell University)|Apr 10, 2018

Autonomous Vehicle Technology and Safety参考文献 16被引用 17

一句话总结

该论文提出了一种基于语义的意图与运动预测（SIMP）框架，采用深度概率模型联合预测车辆意图（通过语义插入区域）和运动（最终目的地和变道时间），适用于多样的交通场景。该方法在意图预测准确率上优于SVM和QRF基线模型（F1得分：0.931 vs. 0.888），且运动预测的置信区间更紧密，插入区域检测的AUC接近完美（1.0），变道时间预测的RMSE低于1秒。

ABSTRACT

Accurately predicting the possible behaviors of traffic participants is an essential capability for future autonomous vehicles. The majority of current researches fix the number of driving intentions by considering only a specific scenario. However, distinct driving environments usually contain various possible driving maneuvers. Therefore, a intention prediction method that can adapt to different traffic scenarios is needed. To further improve the overall vehicle prediction performance, motion information is usually incorporated with classified intentions. As suggested in some literature, the methods that directly predict possible goal locations can achieve better performance for long-term motion prediction than other approaches due to their automatic incorporation of environment constraints. Moreover, by obtaining the temporal information of the predicted destinations, the optimal trajectories for predicted vehicles as well as the desirable path for ego autonomous vehicle could be easily generated. In this paper, we propose a Semantic-based Intention and Motion Prediction (SIMP) method, which can be adapted to any driving scenarios by using semantic-defined vehicle behaviors. It utilizes a probabilistic framework based on deep neural network to estimate the intentions, final locations, and the corresponding time information for surrounding vehicles. An exemplar real-world scenario was used to implement and examine the proposed method.

研究动机与目标

• 开发一种可泛化的意图与运动预测框架，适用于多样化的交通场景，且无需硬编码的驾驶行为类别。
• 通过直接预测目标位置和变道时间（TTLC），提升长期运动预测的准确性，并自然地整合环境约束。
• 通过概率分布建模不确定性，提升预测可靠性，实现更紧密的置信区间。
• 利用统一的语义表示，实现对变道和插入意图的早期且准确检测。

提出的方法

• 该方法将车辆意图定义为进入特定语义插入区域（如车辆之间的空隙或车道入口）的意图，从而实现与场景无关的行为建模。
• 采用深度神经网络估计周围车辆在插入区域、最终目的地和变道时间（TTLC）上的概率分布。
• 模型使用变分高斯混合模型（VGMM）表示目的地与TTLC的联合分布，支持概率轨迹生成。
• 该框架将意图与运动预测整合为单一的概率推理流程，支持端到端学习与不确定性量化。
• 预测的置信区间基于学习到的高斯混合成分推导得出，随着TTLC趋近于零，区间宽度逐渐减小，表明预测确定性逐渐增强。
• 该方法在真实高速公路数据上进行训练与评估，性能通过精确率、召回率、F1得分和AUC等指标进行验证。

实验结果

研究问题

• RQ1 通过插入区域实现的统一语义表示是否能在无需场景特定驾驶行为类别的前提下，泛化于多样化的交通场景？
• RQ2 与基于轨迹或仅回归的方法相比，直接预测目标位置和TTLC在多大程度上提升了长期运动预测的准确性？
• RQ3 所提出的概率框架在多大程度上减少了预测不确定性，以置信区间宽度和RMSE为衡量标准？
• RQ4 该方法能否实现早期且准确的变道检测？其预测提前时间与SVM等传统分类器相比如何？

主要发现

• SIMP方法在意图预测中的F1得分达到0.931，高于SVM的0.888，表明其分类性能更优。
• 变道检测的平均预测时间为1.957秒，略早于SVM的1.911秒，显示出更强的早期检测能力。
• SIMP在三个动态插入区域（DIA1–DIA3）上实现了AUC值1.0，在DIA4上达到0.994，表明对变道方向和目标空隙的检测精度接近完美。
• 对于变道时间（TTLC）预测，SIMP方法的RMSE随着事件临近逐渐趋近于零，表明具备高时间精度。
• SIMP的2-σ置信区间小于QRF基线的68%区间，表明其不确定性估计更紧密。
• 在t=0时，预测目的地误差未达到零，但这是由参考车辆的相对运动与速度方差导致，而非模型失效。