Conditional Behavior Prediction of Interacting Agents on Map Graphs with Neural Networks

Solange Verkehrsteilnehmer ihre Manöverabsicht und ihre geplante Trajektorie automatischen Fahrzeugen nicht mitteilen können, ist eine Verhaltensvorhersage für alle beteiligten Verkehrsteilnehmer erforderlich. Mit einer solchen Vorhersage kann das Verhalten eines automatischen Fahrzeugs vorausschauend generiert und damit komfortabler und energieeffizienter gemacht werden, was den Verkehrsfluss verbessert.

Es wird ein künstliches neuronales Netz für Graphen (GNN) vorgestellt, das verschiedene probabilistische Positionsvorhersagen für interagierende Agenten zur Analyse bereitstellt. ... mehrDas vorliegende Anwendungsbeispiel ist die Verkehrssituationsanalyse für das automatische Fahren, für welches ein diskretisierter Vorhersagezeitraum von einigen Sekunden als relevant angesehen wird. Das GNN propagiert einen vollvernetzten, gerichteten Agentengraphen probabilistisch durch einen dünnvernetzten, gerichteten Kartengraphen. Merkmale des Agentengraphen, der aus Verkehrsteilnehmern und deren Beziehungen besteht, sowie Merkmale des Kartengraphen, der aus Fahrbahnstücken und deren geometrischer, sowie verkehrsregelbezogenen Verbindungen besteht, können für die Vorhersage verwertet werden.

Das Modell prädiziert für jeden Agenten zu jedem Prädiktionszeitpunkt eine diskrete Aufenthaltswahrscheinlichkeitsverteilung über alle Fahrbahnstücke des Kartengraphen. Eine solche Prädiktion ist in der wissenschaftlichen Literatur zwar üblich, setzt aber für deren stochastische Interpretierbarkeit und damit Anwendbarkeit statistische Unabhängigkeit des zukünftigen Verhaltens der Verkehrsteilnehmer voraus. Da diese Annahme bei interagierenden Agenten als unzulässig erachtet wird, prädiziert das Modell darüber hinaus für alle Agentenpaare diskrete Verbundwahrscheinlichkeitsverteilungen. Aus diesen können bedingte Prädiktionen gegeben möglicher zukünftiger Positionen einer der beiden Agenten berechnet werden.

In der Evaluierung werden gängige Metriken für den vorliegenden Fall angepasst und verschiedene Modellierungstiefen einander gegenübergestellt. Sowohl die individuelle Prädiktion als auch die bedingte Prädiktion werden erfolgreich auf Genauigkeit und statistischer Zuverlässigkeit untersucht.

As long as traffic participants (TPs) cannot share information about their maneuver intention or their planned trajectory with automated vehicles (AVs), behavior prediction for these TPs is required. Such a prediction enables the proactive generation of AV behavior making driving more comfortable and energy-efficient, besides improving traffic flow.

An artificial graph neural network (GNN) is presented which provides probabilistic position predictions for interacting agents as basis for further analysis. The present use case is analysis of traffic situation for automated driving. ... mehrA discretized prediction period of several seconds is considered relevant. The GNN probabilistically propagates a fully-connected, directed agent graph through a sparsely-connected, directed map graph. Features of the agent graph, consisting of agents and their relationships, as well as features of the map graph, consisting of lane tiles and their geometric as well as traffic rule-related connections, can be utilized for prediction generation.

The model predicts a discrete occupancy probability distribution over all lane tiles of the map graph. While this type of prediction is common in scientific publications, it assumes statistical independence of all agents' future behavior for its stochastic interpretability and thus applicability. Since this assumption is considered invalid for interacting agents, the model further predicts discrete joint probability distributions for pairs of agents. This allows conditional predictions given possible future position of either of both agents.

In the evaluation, common metrics are adapted to the discrete output at hand and different modeling depths are juxtaposed. Both individual prediction and conditional prediction are successfully examined for accuracy and statistical reliability.