[论文解读] Trajectory Prediction for Vehicle Conflict Identification at Intersections Using Sequence-to-Sequence Recurrent Neural Networks

Amr Abdelraouf, Mohamed Abdel‐Aty+2 more|arXiv (Cornell University)|Oct 13, 2022

Traffic and Road Safety被引用 6

一句话总结

本文提出一种用于预测交叉路口车辆轨迹的序列到序列循环神经网络（Seq2Seq RNN），可提前3秒预测，结合位置与航向以提升冲突检测中的几何精度。该方法在轨迹基础冲突预测方面优于现有模型，并表明使用车辆边界框而非中心点可显著提高碰撞时间（TTC）冲突识别的准确性。

ABSTRACT

Surrogate safety measures in the form of conflict indicators are indispensable components of the proactive traffic safety toolbox. Conflict indicators can be classified into past-trajectory-based conflicts and predicted-trajectory-based conflicts. While the calculation of the former class of conflicts is deterministic and unambiguous, the latter category is computed using predicted vehicle trajectories and is thus more stochastic. Consequently, the accuracy of prediction-based conflicts is contingent on the accuracy of the utilized trajectory prediction algorithm. Trajectory prediction can be a challenging task, particularly at intersections where vehicle maneuvers are diverse. Furthermore, due to limitations relating to the road user trajectory extraction pipelines, accurate geometric representation of vehicles during conflict analysis is a challenging task. Misrepresented geometries distort the real distances between vehicles under observation. In this research, a prediction-based conflict identification methodology was proposed. A sequence-to-sequence Recurrent Neural Network was developed to sequentially predict future vehicle trajectories for up to 3 seconds ahead. Furthermore, the proposed network was trained using the CitySim Dataset to forecast both future vehicle positions and headings to facilitate the prediction of future bounding boxes, thus maintaining accurate vehicle geometric representations. It was experimentally determined that the proposed method outperformed frequently used trajectory prediction models for conflict analysis at intersections. A comparison between Time-to-Collision (TTC) conflict identification using vehicle bounding boxes versus the commonly used vehicle center points for geometric representation was conducted. Compared to the bounding box method, the center point approach often failed to identify TTC conflicts or underestimated their severity.

研究动机与目标

• 通过基于准确预测的冲突识别，提升主动交通安全性。
• 解决在冲突分析中因使用中心点而非完整边界框而导致的车辆几何表示不准确的问题。
• 开发一种可预测未来位置与航向的轨迹预测模型，以实现更真实的未来车辆边界框估计。
• 评估几何表示对碰撞时间（TTC）冲突检测性能的影响。
• 在冲突识别背景下，将所提模型与现有轨迹预测方法进行基准对比。

提出的方法

• 训练一种序列到序列循环神经网络（Seq2Seq RNN），以预测未来3秒内车辆的轨迹，包括位置与航向。
• 模型在CitySim数据集上进行训练，该数据集提供适合交叉路口场景的高保真车辆运动数据。
• 通过结合预测的位置与航向，利用预测轨迹估算未来的车辆边界框，确保几何精度。
• 通过保持车辆之间精确的空间关系，实现一致且精确的冲突检测。
• 采用基于碰撞时间（TTC）的冲突识别框架进行评估，比较使用边界框与中心点的结果。
• 该架构采用编码器-解码器RNN结构，并引入注意力机制，以建模交叉路口复杂的多样化行驶行为。

实验结果

研究问题

• RQ1 在交叉路口场景中，使用Seq2Seq RNN进行轨迹预测的准确性与现有模型相比如何？
• RQ2 与中心点方法相比，使用车辆边界框而非中心点在多大程度上提升了碰撞时间（TTC）冲突的检测效果？
• RQ3 所提方法能否通过预测未来车辆轨迹与边界框，可靠地识别冲突事件？
• RQ4 在冲突分析中，预测航向的引入如何提升未来车辆位置的几何保真度？
• RQ5 几何表示的准确性对主动交通安全系统中代理安全度量在冲突检测中的可靠性有何影响？

主要发现

• 所提出的Seq2Seq RNN模型在预测交叉路口未来车辆轨迹方面优于常用轨迹预测模型。
• 在冲突检测中使用车辆边界框相比中心点方法，能更准确地识别碰撞时间（TTC）冲突。
• 中心点方法常因几何不准确而无法检测到TTC冲突，或低估其严重性。
• 将预测航向与位置结合，显著提升了未来车辆边界框估计的现实感与准确性。
• 该模型在预测多样化交叉路口行驶行为（如转弯与汇合行为）方面表现出稳健性能。
• 结果证实，准确的几何表示对主动交通安全系统中可靠冲突识别至关重要。