Trajectron++：不均質データを用いた動的実現可能な軌跡予測

Trajectron++: Dynamically-Feasible Trajectory Forecasting With Heterogeneous Data

本文精読予測マルチエージェント

Tim Salzmann, Boris Ivanovic, Punarjay Chakravarty, Marco Pavone ／ arXiv:2001.03093 ／ PDF

2020-01-09 投稿・2021-01-13 改訂

AI が本文を読んで生成（2026-08-04）

1分まとめ

Trajectron++は、エージェントのダイナミクス制約とセマンティックマップを組み込んだグラフ構造リカレントモデルであり、軌跡予測の精度と実ロボット応用への統合性を両立させた。標準ベンチマークで既存手法を上回り、特に境界逸脱や衝突予測の低減に効果を示した。

学習ベースの歩行者・車両軌跡予測に、単車モデルなどのダイナミクス制約とセマンティックマップ（HD地図）を初めて系統的に組み込み、動的実現可能な分布出力を実現した。
ETH/UCY歩行者データセットのBest-of-20で平均ADE 0.19m／FDE 0.41mを記録し、既存手法より55〜60%低い平均誤差と報告している。
nuScenes車両タスクでは、ダイナミクス統合と地図エンコーダにより4秒先FDE 2.20mを達成し、検出誤差補正後のSpAGNNの1.23m等と比較して優位と報告している。
評価はETH/UCY、nuScenesのみで、シミュレーションでの安全性評価は含まれていない。また比較ベースラインの一部（SoPhie、MATF）は再現実装がなく、同一条件での比較が難しい。
現在の標準となった「軌跡予測を計画・制御と統合する」方向性を確立した点で、自動運転の予測モジュール設計に影響を与えた。

課題

既存の軌跡予測手法は、位置空間での出力が多く、車両の非ホロノミック制約（横滑りなし条件など）を満たさない予測を生成する。また、HD地図などの環境情報を利用しないため、シーン構造に応じた予測ができない。さらに、自車の将来計画を条件とした予測や、複数エージェントの不均質なクラスを扱う汎用性も不足していた。

提案手法

Trajectron++は、シーンを有向時空間グラフで表現し、エージェントをノード、相互作用をエッジでモデル化する。各エージェントの過去観測はノードLSTMで、隣接エージェントの影響はエッジLSTMと加法的アテンションで集約する。セマンティックマップはエージェントの向きに回転させたローカル画像を4層CNNで符号化し、これらを結合した表現ベクトルの上でCVAE（潜在変数|Z|=25）を構築する。出力は将来の制御入力（歩行者は速度、車両は加速度・操舵率）の2変量ガウス分布であり、単積分器または動的拡張ユニサイクルモデルのダイナミクスを積分して位置の軌跡分布を得る。これにより、予測軌跡の動的実現可能性が保証される。自車の将来運動計画を双方向LSTMで符号化し、条件付き予測も可能。

評価と結果

ETH/UCYデータセット（観測3.2秒、予測4.8秒、leave-one-out評価）: 決定論的ML出力で平均ADE 0.38m／FDE 0.93mであり、既存決定論的手法（Social LSTM、Social Attention等）と比較して平均FDEで33%低い（と報告）。生成モデル比較ではBest-of-20で平均ADE 0.19m／FDE 0.41m（S-GAN 0.58/1.18、SoPhie 0.54/1.15、Trajectron 0.47/0.92、MATF 0.48/0.90に優越）。KDE NLLでも平均-1.14（Trajectronは1.79）。nuScenesデータセットでは車両FDEが1秒0.07m、4秒2.20m（地図・ダイナミクス統合あり、ML出力）。歩行者FDEは4秒0.60m（地図なし）／0.62m（地図あり）。アブレーションでは、ダイナミクス統合がNLLとFDEを大きく改善し、地図エンコードは境界逸脱率を低下させた。ETH-Universityの障害物違反率は、地図なし4.6%から地図あり1.0%に減少、障害物近傍の歩行者に限定すると21.5%から4.9%。

ETH/UCYデータセットにおけるBest-of-20予測精度の比較（論文 Table 2b）

データセット	S-GAN	SoPhie	Trajectron	MATF	Ours (Full)	Ours+∫ (Full)
ETH	0.81/1.52	0.70/1.43	0.59/1.14	1.01/1.75	0.39/0.83	0.43/0.86
Hotel	0.72/1.61	0.76/1.67	0.35/0.66	0.43/0.80	0.12/0.21	0.12/0.19
Univ	0.60/1.26	0.54/1.24	0.54/1.13	0.44/0.91	0.20/0.44	0.22/0.43
Zara1	0.34/0.69	0.30/0.63	0.43/0.83	0.26/0.45	0.15/0.33	0.17/0.32
Zara2	0.42/0.84	0.38/0.78	0.43/0.85	0.26/0.57	0.11/0.25	0.12/0.25
Average	0.58/1.18	0.54/1.15	0.47/0.92	0.48/0.90	0.19/0.41	0.21/0.41

出典：論文 Table 2 (b)。数値はADE/FDE（m）。OursはTrajectron++のベースモデル、Ours+∫はダイナミクス統合を追加したモデル。SoPhieとMATFは公開コードがなく報告値を引用。比較対象のうちS-GAN、SoPhieは論文記載の値で、評価プロトコルの細部が異なる可能性がある。

ETH/UCYにおける平均FDE比較（Best-of-20）

出典：論文 Table 2 (b)。S-GAN、SoPhie、Trajectron、MATFは報告値、Ours+∫はダイナミクス統合モデルの値。比較相手の評価実装が異なるため、優劣の解釈には注意。

ETH-Universityシーンでの障害物侵入予測率（2000サンプリング中）

出典：論文 5.1節 Map Encodingの記述。2000軌跡サンプル中で障害物に侵入した割合。地図エンコードの有無を比較。

新規性

既存のTrajectronを拡張し、（1）セマンティックマップのCNNエンコードを導入し、（2）制御入力空間で分布を出力してダイナミクスを積分する動的実現可能な軌跡分布生成を提案した点が新規性である。

限界

著者による明示的な限界の記述はない。論文から読み取れる制約として、(1)歩行者は単積分器、車両は動的拡張ユニサイクルという簡略化されたダイナミクスモデルに依存し、実際の車両パラメータ（重心位置、ホイールベースなど）は推定しない。(2)評価はETH/UCYとnuScenesの2系列のみで、シミュレーション環境での安全性評価や閉ループ評価は行われていない。(3)nuScenesでは3秒先までしか学習しておらず、4秒先の性能は訓練分布外への汎化を測ったものである。(4)比較対象の一部は公開コードがなく、報告値での比較に留まっている。(5)地図情報は静的セマンティックマップのみで、動的障害物やレーン閉鎖などの変化には対応しない。この後の研究では、多様な出力構造やTransformerベースの予測モデル、相互作用を明示的に学習する手法などが登場し、この論文の位置づけは「ダイナミクス統合と地図利用を軌跡予測の標準的な構成要素にした初期の代表例」となった。

産業へのインパクト

当時の軌跡予測研究は位置空間での出力が一般的で、車両運動学を無視した非実現軌跡を生成していた。Trajectron++は制御入力を出力してダイナミクスを積分する枠組みを確立し、予測と計画・制御を接続する標準的な実装パターンを示した。また、セマンティックマップをCNNでエンコードする方法は、その後の地図利用予測の基本形となった。さらに、自車の将来計画を条件として予測する機能は、予測を計画の評価関数に組み込む実用上の重要な選択肢を提示した。

← 一覧に戻る