[论文解读] Short-term Motion Prediction of Traffic Actors for Autonomous Driving using Deep Convolutional Networks

Nemanja Djuric, Vladan Radosavljević+5 more|arXiv (Cornell University)|Aug 17, 2018

Autonomous Vehicle Technology and Safety被引用 35

一句话总结

本文提出一种基于深度卷积神经网络的方法，利用交通参与者周围环境的栅格化图像来预测其短期运动，显式建模不确定性。该方法在自动驾驶车辆的真实世界测试中得到验证，实现了鲁棒且实时的运动预测。

ABSTRACT

We address one of the crucial aspects necessary for safe and efficient operations of autonomous vehicles, namely predicting future state of traffic actors in the autonomous vehicle's surroundings. We introduce a deep learning-based approach that takes into account a current world state and produces raster images of each actor's vicinity. The rasters are then used as inputs to deep convolutional models to infer future movement of actors while also accounting for and capturing inherent uncertainty of the prediction task. Extensive experiments on real-world data strongly suggest benefits of the proposed approach. Moreover, following completion of the offline tests the system was successfully tested onboard self-driving vehicles.

研究动机与目标

• 解决预测交通参与者未来行为这一关键挑战，以确保自动驾驶车辆的安全运行。
• 对传统方法常被忽视的交通运动预测中的固有不确定性进行建模。
• 开发一种可扩展且鲁棒的深度学习框架，利用栅格化场景表示中的空间上下文信息。
• 实现适合部署于车载自动驾驶系统的实时推理。
• 在真实世界数据上验证该方法，并通过车载测试证明其有效性。

提出的方法

• 将当前世界状态表示为栅格图像，捕捉每个交通参与者的周边环境，保留空间和上下文信息。
• 将栅格化输入输入深度卷积神经网络，以提取用于运动预测的时空特征。
• 使用概率输出头预测未来轨迹的分布，显式建模预测中的不确定性。
• 使用真实世界驾驶数据端到端训练模型，以学习复杂的运动模式和交互行为。
• 通过顺序处理栅格化输入实现时间建模，以捕捉动态场景的演化过程。
• 使用可微分损失函数优化模型，以鼓励预测结果准确且不确定性估计校准良好。

实验结果

研究问题

• RQ1 基于栅格化场景表示的深度卷积模型能否有效预测交通参与者的短期运动？
• RQ2 与确定性基线方法相比，该模型在运动预测中对不确定性的捕捉和表征能力如何？
• RQ3 该方法在真实世界驾驶场景和车载部署中的泛化能力如何？
• RQ4 在预测准确性和不确定性校准方面，该模型与最先进方法相比表现如何？

主要发现

• 与基线模型相比，该方法在真实世界驾驶数据上实现了更优的运动预测准确性。
• 该模型显式捕捉了预测中的不确定性，从而获得校准良好的置信度估计。
• 在真实世界条件下部署于自动驾驶车辆时，系统表现出鲁棒性和可靠性。
• 栅格化输入表示能有效保留空间上下文信息，从而提升预测性能。
• 该方法支持实时推理，适合车载部署。
• 大量离线测试和道路验证结果证实了该方法在自动驾驶系统中的实际可行性。