[论文解读] Probabilistic Vehicle Trajectory Prediction over Occupancy Grid Map via Recurrent Neural Network

ByeoungDo Kim, Chang Mook Kang+5 more|arXiv (Cornell University)|Apr 24, 2017

Traffic Prediction and Management Techniques参考文献 12被引用 70

一句话总结

本论文使用 LSTM 网络在占据栅格地图上预测概率性未来车辆位置，在高速公路场景中超过基于卡尔曼滤波的方法。

ABSTRACT

In this paper, we propose an efficient vehicle trajectory prediction framework based on recurrent neural network. Basically, the characteristic of the vehicle's trajectory is different from that of regular moving objects since it is affected by various latent factors including road structure, traffic rules, and driver's intention. Previous state of the art approaches use sophisticated vehicle behavior model describing these factors and derive the complex trajectory prediction algorithm, which requires a system designer to conduct intensive model optimization for practical use. Our approach is data-driven and simple to use in that it learns complex behavior of the vehicles from the massive amount of trajectory data through deep neural network model. The proposed trajectory prediction method employs the recurrent neural network called long short-term memory (LSTM) to analyze the temporal behavior and predict the future coordinate of the surrounding vehicles. The proposed scheme feeds the sequence of vehicles' coordinates obtained from sensor measurements to the LSTM and produces the probabilistic information on the future location of the vehicles over occupancy grid map. The experiments conducted using the data collected from highway driving show that the proposed method can produce reasonably good estimate of future trajectory.

研究动机与目标

• 通过在不确定性下预测周围车辆轨迹来促进安全的自动驾驶。
• 提出一个数据驱动的端到端 LSTM 框架，从轨迹数据中学习复杂的车辆动力学。
• 输出占据栅格地图上的概率性未来位置，以辅助规划和避免碰撞。
• 通过未来网格占据目标实现对真实世界传感器数据的自动标注，实现训练。

提出的方法

• 使用 LSTM 网络从相对坐标及自车状态的序列建模周围车辆的时序动力学。
• 使用 softmax 层对未来 Delta 秒内的 Mx × My 占据网格进行概率性占据预测。
• 通过联合公式 Po(i_x,i_y)=1-∏(1-Po^(i)(i_x,i_y)) 将 N 个近邻车辆的预测合并。
• 使用带 L2 正则化的负对数似然损失和对标注的未来网格占据进行反向传播训练（BPTT）。
• 可选地，通过将 softmax 替换为直接坐标输出和平方误差损失，提供一个确定性回归路径。

实验结果

研究问题

• RQ1 LSTM 是否能够从历史传感器数据中学习支配车辆轨迹的复杂潜在因素？
• RQ2 通过 LSTM 的概率性占据网格预测与传统的基于卡尔曼滤波的轨迹预测相比，其表现如何？
• RQ3 在高速公路场景中，短期、中期和长期预测（Delta = 0.5s、1.0s、2.0s）的预测准确度是多少？
• RQ4 将多辆近邻车辆的预测进行聚合是否能提高整体轨迹风险评估与规划？

主要发现

• 基于 LSTM 的方法在所有预测时域中都获得高于卡尔曼滤波的预测准确度。
• 对于 Delta=0.5s，X 方向、Y 方向和整体网格的 MAE 分别为 0.29、0.52 和 0.77 网格单位，使用所提方案。
• 对于 Delta=1.0s，MAE 为 0.27（X）、0.70（Y）和 0.88（网格）；对于 Delta=2.0s，MAE 为 0.44（X）、1.06（Y）和 1.31（网格）。
• 卡尔曼滤波的 MAE 分别为 0.51、1.55、1.73（Delta=0.5s）；0.96、2.99、3.26（Delta=1.0s）；2.07、5.84、6.36（Delta=2.0s）。
• 该方法在具有挑战性的情况仍能保持合理的准确性，且随着预测时域的增加，提升更大，尤其是在横向运动方面。
• 确定性回归变体在 MAE 上也显著优于卡尔曼滤波。