From GEV to ResLogit: Spatially Correlated Discrete Choice Models for Pedestrian Movement Prediction

Dit onderzoek toont aan dat voor het voorspellen van voetgangersbewegingen in interactie met autonome voertuigen een ResLogit-model, dat leergerelateerde correcties combineert met een interpreteerbare lineaire nutcomponent, aanzienlijk betere prestaties levert dan traditionele ruimtelijk gecorreleerde discrete keuze-modellen zoals GEV.

De kern

Stel je voor dat je op een drukke kruising staat en een zelfrijdende auto (een robot-auto) nadert. Wat doe je? Versnel je, vertraag je, ga je linksaf, rechtsaf of loop je gewoon rechtdoor?

Dit artikel van Rulla Al-Haideri en Bilal Farooq onderzoakt precies dit: hoe kunnen we voorspellen wat een voetganger als volgende stap doet in de buurt van een robot-auto? Ze vergelijken twee manieren om dit te modelleren: de "ouderwetse, strenge manier" en de "slimme, lerende manier".

Hier is de uitleg in gewone taal, met een paar leuke vergelijkingen:

1. Het Probleem: Een rooster van keuzes

Stel je voor dat de voetganger staat in het midden van een 3x3 rooster (zoals een noughts-and-crosses spelletje).

• Het midden is "doorgaan met dezelfde snelheid".
• De bovenste rij is "vertragen".
• De onderste rij is "versnellen".
• De linker- en rechterkolom zijn "naar links" of "naar rechts" gaan.

Elke seconde moet de voetganger één vakje kiezen. De vraag is: hoe voorspellen we welk vakje ze kiezen?

2. De Twee Kampioenen

De "Oude School" Methode: De GEV-modellen

De auteurs proberen eerst de klassieke wiskundige modellen (GEV-modellen).

• De Analogie: Denk hieraan als een strenge leraar met een strak rooster.
  De leraar zegt: "Als je vakje A kiest, is het bijna zeker dat je ook vakje B of C zou kunnen kiezen, omdat ze naast elkaar liggen. Maar als je vakje A kiest, is het onmogelijk dat je vakje I kiest, want dat is aan de andere kant van het bord."
  De leraar maakt vooraf een lijstje met regels: "Deze vakjes horen bij elkaar in een nestje." Hij probeert de correlatie (de band tussen de vakjes) te forceren met deze regels.
• Het Resultaat: Het werkt, maar niet heel goed. De "strenge leraar" is te star. In de echte wereld zijn voetgangers niet zo strak gebonden aan de regels van de leraar. De verbetering ten opzichte van een simpele gok (MNL) was minimaal.

De "Nieuwe School" Methode: ResLogit

Dan proberen ze een nieuw model genaamd ResLogit.

• De Analogie: Denk hieraan als een slimme stagiair die eerst een basisplan maakt en dan leert van fouten.
  De stagiair begint met hetzelfde simpele plan als de strenge leraar (de basiswiskunde). Maar daarna kijkt hij naar de echte data (duizenden voorbeelden van voetgangers) en zegt: "Hé, ik zie dat mensen die net linksaf wilden gaan, soms toch een beetje versnellen als de auto te dichtbij komt. Dat staat niet in mijn basisplan. Ik ga een 'correctie' toevoegen."
  Deze correctie is een neuraal netwerk (een soort AI) dat de fouten van het basisplan leert op te vangen. Het leert welke vakjes vaak door elkaar worden gehaald, zonder dat iemand vooraf regels hoeft op te stellen.
• Het Resultaat: Dit werkt veel beter! Het model voorspelde de bewegingen veel nauwkeuriger.

3. Waarom was de "Nieuwe School" beter?

De auteurs ontdekten iets interessants:

• Bij een dicht rooster (zoals dit 3x3 vakje) zijn de opties heel erg op elkaar gelijk. Het verschil tussen "een beetje links" en "een beetje meer links" is heel klein.
• De strenge leraar (GEV) probeerde complexe regels te maken om dit te vangen, maar dat werd te ingewikkeld en onnauwkeurig.
• De slimme stagiair (ResLogit) zag gewoon: "Ah, mensen maken vaak kleine fouten in de buurt van elkaar." Hij leerde dat als je een fout maakt, het bijna altijd een kleine, logische fout is (bijvoorbeeld: je voorspelde "rechtsaf" terwijl ze "rechtdoor" gingen), en niet een grote, rare fout (zoals "plotseling omkeren").

4. Waarom is dit belangrijk voor robot-auto's?

Voor een robot-auto is het cruciaal om te weten wat een voetganger gaat doen.

• Als de auto denkt dat de voetganger stopt, maar de voetganger loopt versneld door, kan er een ongeluk gebeuren.
• Als de auto denkt dat de voetganger naar links gaat, maar hij gaat naar rechts, is dat ook gevaarlijk.
• Maar... als de auto denkt dat de voetganger naar links gaat, en hij gaat een heel klein beetje naar links, is dat niet zo'n groot probleem. Dat is een kleine variatie.

Het nieuwe model (ResLogit) is slim omdat het deze kleine, lokale fouten begrijpt. Het zegt: "Ik heb de exacte richting misschien niet 100% goed, maar ik heb wel de juiste buurman van de richting voorspeld." Dat is voor een robot-auto vaak veilig genoeg om rustig te blijven rijden of voorzichtig te remmen.

Conclusie

De boodschap van dit artikel is simpel:
Wanneer we proberen te voorspellen wat mensen doen in een drukke, complexe situatie, werken de oude, strenge regels (die we zelf bedenken) niet altijd goed. Het is beter om een model te gebruiken dat leert van de data om de kleine, subtiele verschillen tussen keuzes te begrijpen, terwijl het toch begrijpelijk blijft waarom iemand een keuze maakt.

Het is alsof je een voorspelling doet over het weer:

• Oude methode: "Als het vandaag regent, is het morgen 80% kans op regen, want dat is de regel."
• Nieuwe methode: "Kijk naar de wolken, de wind en de temperatuur, en leer van gisteren wat er echt gebeurde. Dan zie je dat regen vaak overgaat in een lichte motregen, en dat is een veel betere voorspelling."

Dit helpt robot-auto's om veiliger en menselijker te rijden.

Technische samenvatting

Titel: Van GEV naar ResLogit: Ruimtelijk gecorreleerde discrete keuzemodellen voor het voorspellen van voetgangersbewegingen

1. Probleemstelling en Context

Het voorspellen van de beweging van voetgangers, vooral in interactie met autonome voertuigen (AV's), is cruciaal voor veilige plannings- en yield-beslissingen. Bestaande benaderingen voor trajectvoorspelling zijn vaak gebaseerd op machine learning-modellen die toekomstige coördinaten voorspellen (continu), maar deze missen vaak een expliciete gedragsregel die interpreteerbare trade-offs en substitutiemogelijkheden tussen discrete bewegingsalternatieven biedt.

Daarnaast zijn voetgangersbeslissingen inherent ruimtelijk: nabijgelegen bewegingsopties (bijv. licht versnellen vs. sterk versnellen) delen onwaargenomen eigenschappen en zijn sterk gecorreleerd. Traditionele discrete keuzemodellen, zoals het Multinomial Logit (MNL), veronderstellen onafhankelijkheid tussen alternatieven (IIA-eigenschap), wat leidt tot onrealistische substitutiemogelijkheden in dichte, ruimtelijke keuzestelsels. Hoewel er modellen zijn om deze correlatie te modelleren (zoals Generalized Extreme Value of GEV-modellen), vereisen deze vaak door de analist opgelegde structuren (zoals nesten of contiguiteitsmatrices) die moeilijk te definiëren zijn in dichte, symmetrische bewegingsroosters.

Kernvraag: Zijn klassieke ruimtelijke GEV-modellen toereikend voor het modelleren van hoge-frequentie voetgangerskeuzes in dichte roosters, of bieden hybride, leer-gebaseerde modellen (zoals ResLogit) een betere weergave van ruimtelijke correlatie en voorspellende nauwkeurigheid?

2. Methodologie

Data en Keuzestelsel:

• Datasets: Het onderzoek gebruikt natuurlijke data van voetgangers-AV-interacties uit de nuScenes en Argoverse 2 datasets.
• Keuzestelsel: De volgende stap van een voetganger wordt gemodelleerd als een discrete keuze uit een 3x3 rooster. Dit rooster combineert snelheidsaanpassing (vertragen, handhaven, versnellen) en koerswijziging (links, rechtuit, rechts). Dit resulteert in 9 mogelijke alternatieven per beslismoment.
• Variabelen: De systematische nut (utility) wordt bepaald door variabelen zoals afstand tot het doel, richtingafwijking, botsingsrisico (frontaal en achteraan), en afstand tot het AV.

Modelvormen:
De auteurs vergelijken een baseline met vier ruimtelijke GEV-specificaties en een hybride leermodel:

1. MNL (Multinomial Logit): De baseline zonder correlatie.
2. SCL (Spatially Correlated Logit): Gebruikt een contiguiteitsmatrix voor overlappende nesten.
3. GSCL (Generalized SCL): Vervangt contiguiteit door een op afstand gebaseerde allocatieregel (correlatie neemt af met afstand).
4. SCNL (Spatially Correlated Nested Logit): Staat meerdere nestcoëfficiënten toe binnen vooraf gedefinieerde categorieën.
5. GSCNL (Generalized SCNL): Schat de allocatiepatronen direct uit de data in plaats van ze vooraf te definiëren.
6. ResLogit (Residual Neural Network Logit): Een hybride model dat een MNL-ruggengraat combineert met residulagen (neuraal netwerk). Het leert niet-lineaire kruiseffecten en onwaargenomen structuren direct uit de data, terwijl het de interpretabele lineaire nutcomponent behoudt.

Schatting:

• De GEV-modellen worden geschat met Maximum Likelihood in GAUSS.
• ResLogit wordt geschat met Stochastic Gradient Descent (Adam optimizer) in Python, waarbij de cross-entropy loss wordt geminimaliseerd.

3. Belangrijkste Resultaten

Modelpassing (Fit):

• GEV-modellen: De ruimtelijke GEV-modellen tonen slechts marginale verbeteringen ten opzichte van de MNL-baseline (bijv. stijging van gemiddelde log-likelihood van -2.147 naar -2.137). Dit suggereert dat de door de analist opgelegde correlatiestructuren (nesten, afstandsdaling) in dit dichte 3x3-rooster weinig extra verklarende kracht bieden. De data is waarschijnlijk niet informatief genoeg om de complexe geometrie van de nesten te identificeren.
• ResLogit: Dit model bereikt een substantiële verbetering in passing (gemiddelde log-likelihood daalt naar -1.716). De residulagen slagen erin om systematische kruiseffecten te leren die de lineaire component corrigeren.

Voorspellende Prestaties en Foutpatronen:

• Verwarringmatrijzen: De GEV-modellen vertonen geen significante verandering in substitutiemogelijkheden ten opzichte van MNL; voorspellingen blijven geconcentreerd in een paar dominante klassen.
• ResLogit: Het model produceert een meer gedistribueerde verdeling van kansen. Belangrijker nog: de voorspellingsfouten zijn gedragsmatig coherent. Fouten worden voornamelijk gemaakt tussen aangrenzende cellen in het rooster (bijv. een kleine koerswijziging in plaats van een grote). Dit is operationeel minder schadelijk dan het voorspellen van een kwalitatief ander gedrag.
• Nauwkeurigheid: Top-1 nauwkeurigheid is gematigd (32% op de testset), maar Top-3 nauwkeurigheid is hoog (67%), wat aangeeft dat het model vaak de juiste lokale groep van mogelijke bewegingen voorspelt, zelfs als de exacte cel niet wordt geraakt.

Interpretatie van Coëfficiënten:
Ondanks de complexe residulagen behoudt ResLogit de interpretabele lineaire nutcomponent. De geschatte coëfficiënten tonen een consistent gedrag:

• Voetgangers streven naar hun doel (negatieve coëfficiënten voor afstand en hoekafwijking).
• Interactiedruk (AV-nabijheid) verhoogt de neiging tot snelheidsaanpassing.
• Frontaal risico stimuleert vertragen; achterwaarts risico vermindert de neiging tot versnellen (waarschijnlijk omdat de urgentie lager is als het voertuig al voorbij is).

4. Bijdragen en Significantie

1. Methodologische Validatie: Het onderzoek toont aan dat in dichte, hoge-frequentie ruimtelijke keuzestelsels (zoals een 3x3 bewegingsrooster), traditionele, door de analist gespecificeerde GEV-structuren (SCL, GSCL, etc.) beperkt effectief zijn. De complexe geometrie van de correlatie is vaak te moeilijk te specificeren zonder data-driven aanpassing.
2. Hybride Benadering: Het introduceert en valideert ResLogit als een superieur alternatief voor voetgangersbewegingsvoorspelling. Het combineert het beste van twee werelden: de interpreteerbaarheid van discrete keuzemodellen (voor planningsdoeleinden en elasticiteiten) met de voorspellende kracht van neurale netwerken om complexe, lokale substitutiemogelijkheden te leren.
3. Operationele Relevantie voor AV's: Voor autonome voertuigen is het cruciaal om niet alleen de exacte coördinaten te voorspellen, maar ook de waarschijnlijkheid van nabije alternatieven correct te schatten. ResLogit levert fouten die "lokaal coherent" zijn, wat betekent dat een fout in de voorspelling vaak slechts een kleine afwijking in snelheid of richting betekent, wat veiliger is voor het planningsalgoritme dan een fout die een volledig ander gedrag voorspelt.
4. Baseline voor Toekomstig Werk: Het artikel biedt een robuuste baseline voor multi-stap voorspelling en multi-agent interactiemodellering, waarbij de nadruk ligt op het behoud van gedragsinterpretatie.

Conclusie:
Voor het modelleren van voetgangersbewegingen in dichte ruimtelijke roosters zijn leer-gebaseerde correcties (ResLogit) effectiever dan handmatig ontworpen correlatiestructuren (GEV). ResLogit vangt de door nabijheid veroorzaakte correlatie beter op, behoudt tegelijkertijd de noodzakelijke interpretatie voor gedragsanalyse en levert voorspellingen die operationeel veiliger zijn voor autonome voertuigen.