[论文解读] Transferable Pedestrian Motion Prediction Models at Intersections

Macheng Shen, Golnaz Habibi+1 more|arXiv (Cornell University)|Mar 15, 2018

Autonomous Vehicle Technology and Safety参考文献 12被引用 7

一句话总结

本文提出一种基于逆强化学习（IRL）的可迁移行人运动预测模型，结合语义特征（如人行横道、人行道、障碍物）和目标导向行为，以提升在未见交叉口上的泛化能力。该方法在可迁移与不可迁移设置下均显著优于基线模型ASNSC，误差更低（1.36–2.03 m EMHD），展现出对交叉口间几何与拓扑差异的鲁棒性。

ABSTRACT

One desirable capability of autonomous cars is to accurately predict the pedestrian motion near intersections for safe and efficient trajectory planning. We are interested in developing transfer learning algorithms that can be trained on the pedestrian trajectories collected at one intersection and yet still provide accurate predictions of the trajectories at another, previously unseen intersection. We first discussed the feature selection for transferable pedestrian motion models in general. Following this discussion, we developed one transferable pedestrian motion prediction algorithm based on Inverse Reinforcement Learning (IRL) that infers pedestrian intentions and predicts future trajectories based on observed trajectory. We evaluated our algorithm on a dataset collected at two intersections, trained at one intersection and tested at the other intersection. We used the accuracy of augmented semi-nonnegative sparse coding (ASNSC), trained and tested at the same intersection as a baseline. The result shows that the proposed algorithm improves the baseline accuracy by 40% in the non-transfer task, and 16% in the transfer task.

研究动机与目标

• 解决在未见过的新交叉口上预测行人运动而无需从头开始微调的挑战。
• 克服非可迁移模型因交叉口间几何与语义差异而无法泛化的局限。
• 设计一种特征选择框架，通过强调语义与结构上下文而非原始轨迹模式，实现可迁移的运动预测。
• 构建一种在可迁移与不可迁移场景下均保持高精度的模型，减少对特定交叉口数据采集的依赖。
• 证明引入目标导向行为与语义上下文可提升在多样化交叉口布局中的泛化能力与预测精度。

提出的方法

• 将行人运动预测建模为马尔可夫决策过程（MDP），通过从观测轨迹中学习的逆强化学习（IRL）获得奖励函数。
• 在状态表示中引入语义特征——道路、障碍物、人行横道、人行道——以编码场景上下文。
• 基于语义上下文（如人行横道）定义目标位置，并使用径向基函数塑造奖励函数，引导轨迹朝向这些目标。
• 采用期望最大化（EM）算法联合估计行人意图（通过隐变量）与优化奖励函数参数。
• 通过先从学习到的后验分布中采样意图，再基于这些意图和奖励函数采样未来轨迹，生成未来轨迹。
• 使用100次蒙特卡洛采样近似期望平均 Hausdorff 距离（EMHD），以评估预测精度。

实验结果

研究问题

• RQ1 哪些特征能够有效实现行人运动预测模型在不同交叉口几何与拓扑结构之间的迁移？
• RQ2 基于IRL的MDP模型能否在保持高预测精度的同时泛化到未见交叉口？
• RQ3 与数据驱动模型（如ASNSC）相比，引入语义上下文（如人行横道、人行道）和目标导向行为如何提升模型的可迁移性？
• RQ4 在可迁移运动预测模型中，预测精度与计算成本之间存在何种权衡？
• RQ5 模型性能对场景中目标位置选择的敏感性如何？

主要发现

• 当在相同交叉口（B）上训练时，所提出的IRL模型在非迁移设置下达到1.36 m的EMHD，显著优于ASNSC的1.03 m EMHD。
• 当从交叉口A迁移到B时，所提出的模型实现0.87 m的EMHD，优于ASNSC在相同测试交叉口的1.03 m EMHD。
• 在交叉口C上训练的模型在其他交叉口上泛化表现良好，EMHD分别为1.70 m（从A出发）、1.67 m（从B出发）和2.03 m（从C出发），均低于ASNSC在C处的3.60 m EMHD。
• 在交叉口B上训练的模型在所有测试场景中均提供最精确的预测，表明数据质量与语义上下文的一致性影响学习效果。
• 所提方法在可迁移与不可迁移任务中均以统计显著的幅度提升基线精度，证明了其强大的泛化能力。
• 相较于ASNSC（0.02–0.04 s）的计算时间，计算时间增加至0.35–0.61 s，但这一增加在可迁移设置中因精度的显著提升而合理。