Waymo与谷歌提出TNT模型，实现自动驾驶多轨迹行为预测导读：Waymo近期宣布在凤凰城地

导读：Waymo 近期宣布在凤凰城地区开放没有安全员的无人驾驶出租车，实现首个商用的真正的无人驾驶。与此同时， Waymo 也公开分享了一系列新的研究论文，本文就来讲解一下 Waymo 在行为预测方面的研究成果。
周围的车辆和行人在接下来数秒中会做什么？要实现安全的自动驾驶，这是一个必须回答的关键问题，这也就是自动驾驶领域中的行为预测问题。
行为预测的难点在于周围行人、车辆的不确定性和各种规则之外的行为。这些状况难以用规则进行总结，因此最近研发人员们开始利用基于数据驱动的深度学习的方法，以达到更加合理的预测效果。
在这方面，来自 Waymo 和谷歌的团队提出了一系列用于自动驾驶行为预测的模型，让无人车理解抽象的道路环境，并实现对车辆、行人的多可能性预测。
在今年 6 月的一篇 CVPR 论文中，这个团队首先提出了一个全新模型 VectorNet 。
在该模型中，团队首次提出了一种抽象化认识周围环境信息的做法：用向量（vector）来简化地表达地图信息和移动物体，这一做法抛开了传统的用图片渲染的方式，达到了降低数据量、计算量的效果。 Waymo 也在其博客文章中明确表示，该技术提高了其行为预测的精准度。
【Waymo与谷歌提出TNT模型，实现自动驾驶多轨迹行为预测】近日，这个团队公布了进一步的工作，提出了 TNT (Target-driveN Trajectory Predictio) 。 TNT 是一种目的地引导的轨迹预测方法，运用了监督学习的方法对车辆和行人进行多轨迹回归，最终的模型能够输出多个未来轨迹的预测，同时明确指出各个轨迹可能性。
论文中介绍， TNT 在公开数据集 Argoverse 的测试表现与冠军结果相当，同时在 INTERACTION、Stanford Drone ，以及 Waymo 内部数据集中取得了非常好的效果。
目前该论文已经被国际机器人学习会议 CoRL（Conference on Robot Learning）接收。
文章插图
预测多种可能的未来情形
文章插图
Waymo 在博客中指出， VectorNet 突破性地提出了用向量的方式来抽象化表达这个世界，从而感知、理解周围环境。在理解环境以后，下一步就是实现更好的行为预测。
自动驾驶行为预测和其他问题不一样的地方在于，周围的车辆、行人在接下来数秒时间里有多种行进的可能性。这些可能性本身也将影响自动驾驶车辆的决策规划。
比方说，如果机器能算出：前方车辆有 80% 的概率左转、20% 的概率右转，自动驾驶车辆都能根据这一结果进行更好的决策规划。同时对机器来说，就算别的车辆只有 1% 的可能性右转，这种可能性也不能被忽视。
而这种针对多种可能性的多轨迹预测，有着很大的技术难度。当下的神经网络难以很好应对多轨迹预测的任务。
据业内人士介绍，神经网络擅长于一对一和多对一的拟合问题，而非一对多的问题。多对一如常见的分类问题，输入多张车辆的照片，神经网络能准确识别这些照片为 “车” 的类别。一对一如常见的回归问题，输入一张车辆的照片，神经网络能估计它的长宽高等尺寸。但如果输入一个样本，想让神经网络回归出三个结果，这是神经网络所不擅长的事情。
据介绍，现在市面上基础的方案是基于交通规则获得周围车辆、行人的行进可能性。如果交规允许这条道路直行、左右转，那么就算三种可能性。但这种方式的预测结果并不完全可靠，因为规则之外的案例并未被考虑其中，如借道，违法掉头，事实上，要保障自动驾驶长时间运行下的安全性，应对规则之外的情形的能力非常重要。
近两年的论文内容显示，很多团队正在尝试使用生成模型来进行多轨迹预测。即利用如 GAN ， VAE 等模型在隐空间 latent space 进行采样，得到周围目标在特定场景下的多种潜在选择。
但依靠生成模型的问题在于，样本采集存在很大的随机性，这对一个要求可靠的系统来说是难以接受的。假设前方来车左拐的可能性有 90% ，右拐的可能性有 10% ，用采样的方法很有可能我们采样三次得到的都是左拐，而忽略了它往右拐的可能性。在自动驾驶领域，依靠这种方式的行为预测难以进行实际应用。
用监督学习实现精准预测该团队提出的 TNT 首次运用了监督学习的方法对车辆和行人进行多轨迹预测，是一种目的地引导的轨迹预测方法。其模型的最大贡献，就是能够不依靠采样，纯靠监督学习来进行多轨迹的行为预测。