[论文解读] Probabilistic Trajectory Prediction for Autonomous Vehicles with Attentive Recurrent Neural Process

Jiacheng Zhu, Shenghao Qin+2 more|arXiv (Cornell University)|Oct 17, 2019

Autonomous Vehicle Technology and Safety参考文献 31被引用 12

一句话总结

该论文提出了一种名为注意力递归神经过程（ARNP）的概率轨迹预测模型，用于自动驾驶车辆。ARNP结合了循环神经网络与神经过程，以捕捉序列交互作用和全局上下文信息。通过将车辆行为建模为具有显式预测分布的随机过程，ARNP在轨迹准确性、不确定性表达能力以及泛化性能方面优于先前方法。

ABSTRACT

Predicting surrounding vehicle behaviors are critical to autonomous vehicles when negotiating in multi-vehicle interaction scenarios. Most existing approaches require tedious training process with large amounts of data and may fail to capture the propagating uncertainty in interaction behaviors. The multi-vehicle behaviors are assumed to be generated from a stochastic process. This paper proposes an attentive recurrent neural process (ARNP) approach to overcome the above limitations, which uses a neural process (NP) to learn a distribution of multi-vehicle interaction behavior. Our proposed model inherits the flexibility of neural networks while maintaining Bayesian probabilistic characteristics. Constructed by incorporating NPs with recurrent neural networks (RNNs), the ARNP model predicts the distribution of a target vehicle trajectory conditioned on the observed long-term sequential data of all surrounding vehicles. This approach is verified by learning and predicting lane-changing trajectories in complex traffic scenarios. Experimental results demonstrate that our proposed method outperforms previous counterparts in terms of accuracy and uncertainty expressiveness. Moreover, the meta-learning instinct of NPs enables our proposed ARNP model to capture global information of all observations, thereby being able to adapt to new targets efficiently.

研究动机与目标

• 解决在多车交互场景下预测复杂且不确定的车辆轨迹的挑战。
• 克服确定性模型与非概率学习框架在捕捉不确定性和长期依赖关系方面的局限性。
• 通过利用神经过程的元学习特性，实现在少量观测下对新交通场景的高效适应。
• 通过联合建模周围车辆之间的序列动力学与全局交互模式，提升轨迹预测性能。

提出的方法

• 将神经过程（NPs）与循环神经网络（RNNs）结合，将车辆轨迹分布建模为随机过程。
• 使用RNN将周围车辆的长期序列轨迹编码为潜在表征。
• 引入注意力机制，在预测过程中动态加权来自周围车辆的相关上下文信息。
• 通过潜在变量 z 条件化于观测到的上下文对（周围轨迹、目标轨迹），建模目标车辆轨迹的预测分布。
• 通过最小化负对数似然（NLL）端到端训练模型，显式学习预测中的不确定性。
• 利用NPs的元学习能力，使模型在少量数据下泛化到未见场景。

实验结果

研究问题

• RQ1 深度学习模型能否有效捕捉复杂交通场景中人类驾驶车辆行为的随机性与交互性？
• RQ2 具有概率归纳偏置（通过神经过程实现）的模型，在仅用少量观测的情况下，能否良好泛化到新的、未见的交通场景？
• RQ3 与先前方法相比，引入循环结构与注意力机制在多大程度上提升了长期轨迹预测的准确性与不确定性量化能力？
• RQ4 该模型在预测准确性与分布表达能力方面，能否超越非概率或非元学习基线模型？

主要发现

• 在横向方向上，ARNP在所有对比方法中实现了最低的平均预测误差（1秒时为0.020米，2秒时为0.109米，3秒时为0.130米，4秒时为0.203米）。
• ARNP表现出最低的轨迹预测方差（1秒时为0.235米，2秒时为0.276米，3秒时为0.307米，4秒时为0.332米），表明其不确定性估计稳定且校准良好。
• ARNP的负对数似然（NLL）为-0.0229，显著优于ANP（7024.45）及其他方法，证明其在分布学习方面表现更优。
• 该模型成功捕捉了变道行为的全局趋势，预测轨迹分布与真实轨迹高度吻合，尤其是在跨过车道线后表现更佳。
• 由于其元学习归纳偏置，ARNP能有效泛化到新场景，实现在少量上下文数据下的快速适应。
• 可视化结果表明，ARNP生成了明确的预测分布（黑色均值线与蓝色方差表面），其紧密包裹真实轨迹，证实了其强大的不确定性表达能力。