歩行者意図予測の解釈性向上手法CAPFIを提案 研究チームが発表

何が起きたか

研究チームは2024年9月11日にプレプリントサーバーarXivで、歩行者意図予測のための文脈認識型置換特徴重要度（Context-aware Permutation Feature Importance, CAPFI）を提案した論文を公開した。CAPFIは、歩行者意図予測に特化した新たなアプローチで、細分化されたシナリオ文脈を活用し、対象を絞ったシャッフルにより特徴値のランダム性を緩和することで、重要度スコアの分散を減らし偏った推定を防ぐことを目指す。研究では、Pedestrian Intention Estimation（PIE）データセットを16の比較可能な文脈セットに分割し、5つの異なるニューラルネットワークアーキテクチャの意図予測ベースライン性能を測定し、CAPFIを用いて入力特徴の重要度を評価した。

詳細

自動運転車における歩行者横断意図予測は、コンピュータビジョンと深層ニューラルネットワーク（DNN）を用いた最近の進歩が有望視されている。しかし、DNNのブラックボックス的な性質は、モデルがどのように機能し、入力特徴が最終予測にどのように寄与するかを理解する上で課題となる。この解釈性の欠如は、モデル性能への信頼を損ない、特徴選択や表現、モデル最適化に関する情報に基づく意思決定を妨げ、分野の将来の研究の有効性に影響を与えると論文は指摘する。 研究では、歩行者バウンディングボックスと自車速度が歩行者意図予測において重要な役割を果たすことを観察した。また、クロスコンテキストの置換評価を通じて、速度特徴による潜在的な予測バイアスを明らかにした。さらに、動的な歩行者と車両の移動を表現するために近接変化率を考慮した代替特徴表現を提案し、意図予測への入力特徴の寄与を高めることを目指している。これらの発見は、正確で堅牢な意図予測モデルを開発するための文脈特徴とその多様性の重要性を強調している。

Key Facts

なぜ重要か

この研究は、自動運転車の安全性に直結する歩行者意図予測モデルの信頼性向上に寄与する。CAPFIによる解釈性向上は、モデルの特徴選択や最適化の意思決定を支援し、より正確で堅牢な予測モデルの開発につながる可能性がある。