交通機関参加者の軌道予測シリーズは3本目

1. 論文読んだよ
“Multimodal Trajectory Predictions
for Autonomous Driving
using Deep Convolutional Networks”
summarized by oei
Cui, Henggang Radosavljevic, Vladan Chou, Fang-Chieh Lin, Tsung-Han
Nguyen, Thi Huang, Tzu-Kuo Schneider, Jeff Djuric, Nemanja
url : https://arxiv.org/pdf/1809.10732.pdf

2. コンテンツ
I. イントロ
II. 関連研究
I. 自動運転システムにおけるアクターの動きの予測
II. 機械学習予測モデル
III. 提案されたアプローチ
I. 問題の設定
II. マルチモーダル軌道のモデリング
III. マルチモーダル最適化関数
IV. レーンフォローのマルチモーダル予測
IV. 実験
I. 結果
V. 結論

3. 主題になっているのはどんなもの？
• 周辺の交通行為者の可能性のある行動すべてを予測する必要があ
る
• Deep Convolutional Networksなる機械学習の手法を用いたマルチ
モーダルな軌道予測
• つまり複数のアクターの行動予測を可能にする手法

4. マルチモーダルってなんぞ？
• 確率ロボティクス勉強会でやったやつだ！
• ユニモーダルじゃない分布の山が二つ以上あるやつ
• 分布の和で表現できたはず
• 平たく言うと結果の平均が二種類以上に分かれるタイプの事象のモ
デルだった気がする

5. Deep Convolutional Networksって？？？
• いわゆるCNNのこと？
• 多層の畳み込みニューラルネットってことかな？
• 機械学習全然わからん
• これはマルチモーダルに強いのか？それもわからん！
• 読んでいけばわかるかな？
• https://qiita.com/icoxfog417/items/5fd55fad152231d706c2

6. 先行研究と比べてどこがすごい？
• 複数のアクターの行動予測が可能なこと？
• 複数のアクターだからマルチモーダルなのか、単一アクターを高精
度化するためのマルチモーダルを複数のアクターに適用してるのか
はまだわからん。多分読めばわかる
• ↑図1見ればわかりましたそれぞれのアクターに対して例えば分岐
路の軌道予測精度上げるというか学習のミスなくすためにやってる。
• 確かにユニモーダルで予測したら分岐路バグるわ

7. 技術や手法のキモはどこ？
“この手法は、各アクターの周囲の状況をラスターイメージにエンコードし、Deep
Convolutional Networksによる入力として使用して、タスクの関連する特徴を自動
的に導出する” … らしい…

8. ラスターイメージって何！？
• ググるとベクター画像との対比が引っかかる
• ラスター画像:画素で構成されてる画像
• ベクター画像:CADみたいにコントロールポイントや補間式で成り立つ
画像
• つまりラスター画像はいわゆる普通の画像のこと

9. 改めて技術や手法のキモはどこ？
• 各アクターの周囲の状況を画像にエンコード
↓
• それをDeep Convolutional Networksに突っ込む
↓
• タスクに関連する特徴を得る

10. システムの全体図
状況を一度画像化してCNN→交通機関参加者各位何がしたいかわかる→軌道予測がはかどる

11. どうやって有効だと検証した？
• オフライン評価
• 最先端手法との比較
• クローズコーステスト
• SDVへの実装

12. ユニモーダルの限界をしれ
• T+3に注目するとユニモーダルは分
布が分岐の間に来ちゃうからあれ
• マルチモーダルの方は山二つでちゃ
んと予測できてる

13. 一つずつ山追加したよの図
1 → 2 → 3 → 4

14. 結果
上 : 手法毎の予測誤差
下 : 運転行動毎の予測誤差
やばい。
太字が最小誤差だけど
軒並みMTP
全体的に角度の方使っとけばいい感はある
角度の方4Modeで落ちるの
単純に十字路が多いからな気もする

15. 議論はある？
• ある

16. これってなんで一度画像化するんだ？
• 今の自動運転の周辺技術なら状況に参加する他社は座標、姿勢等
わかってるはず
• ラスター化すれば参加者の数で情報量変わんなくてコンスタントな周
期で予測できるからかな？
• 結構面白そうなので時間見つけてもっと読み込んでみます

17. 次に読むべき論文は？
• CNNのこともっと知っておきたい気もする