[论文解读] Socially Aware Kalman Neural Networks for Trajectory Prediction

Ce Ju, Zheng Wang+1 more|arXiv (Cornell University)|Sep 14, 2018

Autonomous Vehicle Technology and Safety参考文献 14被引用 4

一句话总结

本文提出社会感知卡尔曼神经网络（SAKNN），一种数据驱动架构，通过整合交互作用层与卡尔曼滤波层，以建模复杂的交通动态。借助传感器输入，SAKNN 在 NGSIM 数据集上实现了最先进的长期轨迹预测性能，并显著提升了信噪比。

ABSTRACT

Trajectory prediction is a critical technique in the navigation of robots and autonomous vehicles. However, the complex traffic and dynamic uncertainties yield challenges in the effectiveness and robustness in modeling. We purpose a data-driven approach socially aware Kalman neural networks (SAKNN) where the interaction layer and the Kalman layer are embedded in the architecture, resulting in a class of architectures with huge potential to directly learn from high variance sensor input and robustly generate low variance outcomes. The evaluation of our approach on NGSIM dataset demonstrates that SAKNN performs state-of-the-art on prediction effectiveness in a relatively long-term horizon and significantly improves the signal-to-noise ratio of the predicted signal.

研究动机与目标

• 为解决在动态、不确定的交通环境中实现鲁棒且有效的轨迹预测挑战。
• 通过建模社会交互作用并减少传感器数据中的噪声，提升长期预测性能。
• 开发一种神经网络架构，可直接从高方差传感器输入中学习，并生成低方差、可靠的输出。
• 通过集成卡尔曼滤波，提升预测轨迹的信噪比。

提出的方法

• SAKNN 架构嵌入交互作用层，以建模交通中各智能体之间的社会依赖关系。
• 集成卡尔曼层以过滤噪声传感器输入，并随时间稳定预测结果。
• 采用端到端的数据驱动方法，在高方差传感器数据上进行模型训练。
• 交互作用层与卡尔曼层联合优化，以提升预测准确率与鲁棒性。
• 该架构设计为即使在高方差输入信号下，也能生成低方差输出。

实验结果

研究问题

• RQ1 神经网络架构能否有效建模动态交通环境中的社会交互作用？
• RQ2 集成卡尔曼滤波如何提升轨迹预测的鲁棒性与信噪比？
• RQ3 SAKNN 在长期轨迹预测方面相较于现有方法的性能提升程度如何？
• RQ4 该模型能否在具有高输入方差的多样化交通场景中实现良好泛化？

主要发现

• SAKNN 在 NGSIM 数据集上的长期轨迹预测任务中达到最先进性能。
• 与基线方法相比，该模型显著提升了预测轨迹的信噪比。
• 卡尔曼层的集成降低了输出方差，同时保持了预测准确性。
• 该架构能有效从高方差传感器输入中学习，并生成稳定可靠的预测结果。