Traffic-Aware Pedestrian Intention Prediction

友人が次に何をしようとしているのか、あなたが推測しようとしている場面を想像してみてください。彼らは挨拶のために手を振ろうとしているのでしょうか、それとも、人通りの多い通りを全力疾走しようとしているのでしょうか？良い推測をするためには、単に友人の足元を見るだけでは不十分です。あなたは、信号が赤か緑かを確認し、彼らがどれくらい縁石に近いかを見極め、車が彼らに向かってスピードを出して突進してきていないかに注意を払います。これは「歩行者意図予測（pedestrian intention prediction）」と呼ばれる分野の核心です。これは、コンピュータ、特に自動運転車に人間の行動を理解させるための科学の一分野です。その目的はシンプルですが、命に関わるものです。もし車が、ある人が道を渡ろうとしている意図を持っていることを予測できれば、事故が起こる前に減速したり停止したりすることができます。長年、コンピュータは人の動きを観察することでこれを学ぼうとしてきましたが、最も重要な手がかり、つまり交通信号や、現実の街路における複雑で動的なコンテキストを見落としてしまうことがよくありました。

本論文は、コンピュータがこれらの手がかりを読み取るための、よりスマートな新しい方法を紹介しています。研究者のファヒメ・オルヴァティ・ニア（Fahimeh Orvati Nia）とハイ・リン（Hai Lin）は、TA-STGCN（Traffic-Aware Spatio-Temporal Graph Convolutional Network：交通量認識型時空間グラフ畳み込みネットワーク）と呼ぶモデルを構築しました。このモデルを、単に人物を観察するだけでなく、人物と、交通信号と、そして車を同時に観察し、それらが時間の経過とともにどのように相互作用しているかを理解する、非常に観察力の鋭い探偵だと考えてください。

問題点：全体像を見落とすコンピュータ

長い間、歩行者の行動を予測しようとするコンピュータは、教科書だけを勉強して一度も外に出たことがない学生のようなものでした。初期の手法は、人がどこにいて、どのくらいの速さで動いているかを追跡するための単純な数学に依存していました。後のディープラーニングモデル（CNNやLSTMなど）は、ビデオ内のパターンを特定することには長けてきましたが、依然として「シーン（場面）」を無視してしまうことがよくありました。彼らは、人が通りに向かって歩いていることは見えても、現在信号が赤であることや、その人がちょうど横断歩道のすぐそばに立っていることに必ずしも気づかないのです。

著者らは、これは大きな間違いであると主張しています。現実の世界では、歩行者が渡るという決定は、周囲の環境に強く影響されます。車の信号が青であれば、歩行者は通常待ちます。車の信号が赤になれば（歩行者にとっては青になり）、彼らは踏み出すかもしれません。既存のモデルはこれらの動的な信号を見落とすことが多く、その結果、予測が遅すぎたり、単に間違っていたりすることがありました。

解決策：交通信号マップを持つ探偵

チームの解決策であるTA-STGCNは、街のシーンを、すべてのピースが繋がっている巨大で生きているパズルのように扱うことで、この問題を解決するように設計されています。彼らは「時空間グラフ（Spatio-Temporal Graph）」を使用しています。これは、歩行者を、交通信号、車、横断歩道といった周囲のあらゆるものと、目に見えない線で結びつけるという、少し高度な手法です。

このモデルの仕組みを、簡単なパーツに分けて説明します。

1. 2つの情報の流れ: モデルは、シーンを同時に2つの異なる方法で観察します。

   • 「どこ」ストリーム: 歩行者の正確な位置と、その「ボックス（人物を囲むデジタルな輪郭）」のサイズがどのように変化するかを追跡します。もしボックスが大きくなれば、それはその人が車に近づいていることを意味します。
   • 「何」ストリーム: 物体が「何であるか」、そしてそれがどのような「状態」にあるかを調べます。決定的なのは、これに交通信号の状態（赤、黄、または青）が含まれていることです。

2. グラフの接続: 歩行者と交通信号を繋ぐクモの巣を想像してください。モデルは「グラフ畳み込みネットワーク」という特殊な数学を用いて、これらの接続が互いに「会話」できるようにします。モデルは、「車にとっての青信号」は通常「待機」を意味し、「車にとっての赤信号」は「進め」を意味する可能性があることを学習します。

3. タイムマシン: モデルは単一のスナップショットを見るだけではありません。短いビデオクリップ（15フレーム、または0.5秒）を観察します。モデルはLSTM（Long Short-Term Memory：長短期記憶）と呼ばれるメモリユニットを使用して、ほんの一瞬前に何が起きたかを記憶します。これにより、人がためらっているのか、あるいはすでに縁石から踏み出しているのかを理解するのに役立ちます。

得られた結果：よりスマートな推測

研究者たちは、都市部からの6時間以上の実際の走行ビデオを含むPIEというデータセットを使用して、新しい探偵を従来のモデルと比較テストしました。彼らはモデルに対し、数秒以内に歩行者が道を渡るかどうかを予測させました。

結果は明白でした。新しいモデルの方が予測精度が高かったのです。

• 精度（Accuracy）: TA-STGCNモデルは**84.65%の確率で正解を導き出しました。これは、約79.00%**程度であった従来の最良モデルと比較して、大幅な向上です。
• 適合率と再現率（Precision and Recall）: このモデルは、実際に渡ろうとしている人を捉える能力（再現率 88.03%）に優れており、単に立ち止まっている人に対して誤報を出すことも少なくなりました（適合率 86.50%）。
• 軌跡（Trajectory）: 単に「渡るかどうか」を予測するだけでなく、一瞬後の人物が「どこにいるか」についても、以前よりも少ない誤差（平均変位誤差 0.43）で予測できました。

著者らは、交通信号情報の追加こそが鍵であることを明確に示しました。モデルを交通信号データがないバージョンと比較したところ、信号がある方のバージョンがすべての指標において優れたパフォーマンスを示しました。これは、モデルが単に推測しているのではなく、交通信号を利用してより賢い判断を下していることを証明しています。

課題：まだ進行中のプロセス

結果は有望ですが、論文ではこれが、今日すべての車に搭載できるような完璧で完成された製品であると主張しているわけではないことに注意を促しています。著者らは、いくつかの重要な制限事項を指摘しています。

• 「目」の問題: 現在、モデルは完璧にラベル付けされたデータに依存しています。誰かがすでに歩行者の周りにボックスを描き、交通信号を正確に特定していることを前提としています。現実の世界では、自動運転車は自身のカメラやセンサーを使って、これらの対象を自力で見つけなければなりません。もし車の「目」が間違いを犯せば、TA-STGCNモデルは混乱してしまう可能性があります。
• 速度: モデルはスマートですが、少し「重い」ものです。グラフ内のすべての点を結ぶために膨大な計算を行います。これを車内の小さなコンピュータ（組み込みシステム）で実行すると、動作が遅くなる可能性があります。著者らは、将来的な課題として、リアルタイムで遅延なく動作させるために、モデルをより高速かつ軽量にする必要があると示唆しています。
• 欠落しているシナリオ: 使用されたデータは、バス停の混雑や、人々が異なる行動をとる共有スペースなど、あらゆる可能性をカバーしているわけではありません。モデルがこうしたトリッキーな場所にも対応するためには、さらなるトレーニングが必要になる可能性があります。

結論

この論文は、もし自動運転車を真に安全なものにしたいのであれば、歩行者を孤立した存在として見るのをやめるべきであることを示唆しています。彼らは、交通信号、横断歩道、そして都市の流れといった「舞台全体」を理解する必要があります。交通信号に注意を払うようコンピュータに教えることで、TA-STGCNモデルは、従来の手法に対して4.75%の精度向上を実現しました。これは、自律走行車両を単にスマートなだけでなく、文脈を理解する（コンテキスト・アウェアな）ものにし、歩行者が道を渡ろうとしている瞬間に正しい判断を下せるようにするための、一歩前進なのです。