[论文解读] TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents

Yuexin Ma, Xinge Zhu+4 more|arXiv (Cornell University)|Nov 6, 2018

Autonomous Vehicle Technology and Safety参考文献 19被引用 72

一句话总结

TrafficPredict 使用一个基于两层的 LSTM 框架在 4D 图上对异质交通主体（行人、自行车、汽车）的轨迹进行预测，并在一个新的城市数据集上显示出约 20% 的准确率提升，相较于先前方法。

ABSTRACT

To safely and efficiently navigate in complex urban traffic, autonomous vehicles must make responsible predictions in relation to surrounding traffic-agents (vehicles, bicycles, pedestrians, etc.). A challenging and critical task is to explore the movement patterns of different traffic-agents and predict their future trajectories accurately to help the autonomous vehicle make reasonable navigation decision. To solve this problem, we propose a long short-term memory-based (LSTM-based) realtime traffic prediction algorithm, TrafficPredict. Our approach uses an instance layer to learn instances' movements and interactions and has a category layer to learn the similarities of instances belonging to the same type to refine the prediction. In order to evaluate its performance, we collected trajectory datasets in a large city consisting of varying conditions and traffic densities. The dataset includes many challenging scenarios where vehicles, bicycles, and pedestrians move among one another. We evaluate the performance of TrafficPredict on our new dataset and highlight its higher accuracy for trajectory prediction by comparing with prior prediction methods.

研究动机与目标

• 在城市交通中存在异质主体（汽车、自行车、行人）时，推动安全导航的目标。
• 开发一个统一的轨迹预测框架，能够考虑主体间的交互以及类别层次的运动相似性。
• 收集一个包含多样交通交互的新城市轨迹数据集，以评估预测精度。

提出的方法

• 将交通序列建模为一个 4D 图，节点表示交通实例与类别。
• 使用实例层 LSTM 捕捉微观运动与通过边的时空交互。
• 引入带有超节点的类别层，用以学习同一主体类型的运动相似性并引导预测。
• 在类别层应用自注意力机制，以捕捉历史模式和类别差异。
• 将未来位置预测为高斯分布，并对所有轨迹采用负对数似然损失进行训练。
• 通过反向传播同时穿过两层及所有图边实现端到端训练。

实验结果

研究问题

• RQ1 是否可以在单一统一框架中有效建模异质交通以进行轨迹预测？
• RQ2 类别层（基于类型的）运动相似性是否能提高不同主体类型的预测精度？
• RQ3 在城市场景中，主体间的空间和时间交互如何影响未来轨迹估计？
• RQ4 相比仅实例模型，包含类别层和自注意力对预测准确性有何影响？

主要发现

• TrafficPredict 在新颖的异质交通数据集上相对于已有方法实现约 20% 的准确性提升。
• 4D 图同时捕捉微观（实例层）与宏观（类别层）动态，从而改善预测。
• 带自注意力的类别层在建模相似运动主体时提供显著提升。
• 消融研究显示 TP-NoCL 与 TP-NoSA 表现较差，证实了类别层学习与自注意力的价值。
• 模型可在单核 CPU 实时运行，且使用基于高斯的位置信息预测。
• 该方法在平均和最终位移误差方面优于 RNN 编码器-解码器、Social LSTM 与 Social Attention 基线。