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

该研究利用自然驾驶数据对比了空间广义极值模型与残差神经网络逻辑回归模型在预测行人运动时的表现，发现后者在捕捉相邻选择项间的空间相关性方面显著优于前者，同时保持了模型的可解释性。

要点

这篇论文主要是在研究：当自动驾驶汽车（AV）遇到行人时，如何更准确地预测行人下一秒会往哪里走。

为了让你轻松理解，我们可以把这个问题想象成**“预测行人的下一步棋”**。

1. 核心挑战：行人的“微操”太难猜了

想象一下，你站在十字路口，面前有一辆自动驾驶汽车。你下一秒是继续走、稍微慢一点、还是加速冲过去？是向左偏一点，还是向右偏一点？

在论文里，研究人员把行人的所有可能动作画成了一个3x3 的九宫格（就像手机九宫格键盘）：

• 横向：左转、直行、右转。
• 纵向：减速、保持速度、加速。
• 这就构成了 9 个格子。

难点在于：这 9 个格子里的动作非常相似。比如“稍微向左转”和“稍微向右转”，或者“稍微加速”和“保持速度”，它们之间的区别非常微小。在数学上，这叫**“高度相关”**。如果模型预测错了，把“向左转”猜成“向右转”，虽然错了，但后果可能不严重（因为都是微调）；但如果把“减速”猜成“加速”，那可能就是灾难性的。

2. 旧方法：像“硬塞”进盒子的老派统计学家

为了解决这种“动作太相似”的问题，以前的科学家（传统统计模型，如 GEV 模型）想了一个办法：

• 比喻：他们试图给这 9 个格子强行分组。比如，他们规定：“所有向左转的格子必须被关在同一个‘笼子’里，因为它们很像”。
• 问题：这种分组是人为规定的（Analyst-specified）。就像老师强行规定“穿红衣服的学生必须坐在一起”，但实际上学生可能更喜欢按兴趣坐。
• 结果：论文发现，这种“硬塞”的方法效果一般。因为现实中的行人动作太灵活、太细微了，人为规定的“笼子”往往关不住真实的复杂情况，预测提升很小。

3. 新方法：ResLogit（带“纠错本”的聪明学生）

这篇论文提出了一种新方法，叫 ResLogit。

• 比喻：想象一个聪明的学生（基础模型 MNL），他先根据常识（比如：人通常想去目的地、看到车会减速）给出一个初步答案。
• 关键创新：这个学生旁边坐着一个**“纠错老师”（残差神经网络 ResNet）。这个老师不看死板的规则，而是看数据**。
  • 如果学生说：“这人肯定直行。”
  • 老师看数据发现：“不对，刚才类似情况下，这人稍微往左偏了一点点。”
  • 于是老师给学生的答案加了一个**“微调修正值”**。
• 优势：
  1. 保留常识：学生依然知道“车来了要减速”这种大道理（可解释性）。
  2. 学会微调：老师通过大量数据，学会了那些微妙的、人为规定不出来的“相邻动作”之间的关联。

4. 实验结果：谁赢了？

研究人员用了真实的自动驾驶数据（nuScenes 和 Argoverse 2）来测试。

• 旧方法（GEV 模型）：就像那个死守规则的统计学家。预测准确率提升微乎其微。它没能很好地捕捉到那些细微的、相邻动作之间的“暧昧关系”。
• 新方法（ResLogit）：就像那个有“纠错老师”的学生。
  • 预测更准：整体准确度大幅提升。
  • 错误更“可爱”：这是最有趣的一点。当 ResLogit 猜错时，它通常猜的是相邻的格子（比如把“稍微左转”猜成了“直行”）。
  • 比喻：这就好比射箭，旧方法可能射偏到了隔壁靶子（完全错了），而新方法虽然没射中红心，但箭都扎在红心周围。对于自动驾驶来说，这种“附近的错误”是可以接受的，因为它符合人类行为的逻辑。

5. 总结与启示

这篇论文告诉我们：
在预测行人的微小动作时，不要试图用死板的规则（人为分组）去框住他们。相反，应该让模型在理解基本常识（如：人想去目的地、怕车）的基础上，通过数据学习去自动发现那些微妙的、相邻动作之间的联系。

一句话总结：
以前的模型像是一个拿着死板地图的导游，容易迷路；新的模型（ResLogit）像是一个经验丰富的老向导，既知道大方向，又能敏锐地感知到路人细微的意图变化，即使猜错了，也错得“合情合理”。这对于让自动驾驶汽车更安全、更懂行人至关重要。

技术摘要

这是一份关于论文《从 GEV 到 ResLogit：用于行人运动预测的空间相关离散选择模型》的详细技术总结。

1. 研究背景与问题定义 (Problem)

• 核心挑战：在自动驾驶（AV）场景下，高频次的行人运动预测至关重要。传统的轨迹预测方法（如基于深度学习的序列模型）虽然预测精度高，但缺乏行为可解释性，无法量化输入变量如何改变选择概率（弹性），也难以明确描述结构化选择集中相邻替代方案之间的替代模式。
• 具体问题：
  • 空间相关性：行人的下一步运动选择（如速度调整和航向改变）本质上是空间相关的。相邻的运动选项（如“稍微减速”和“保持速度”）往往共享未观测到的属性，导致效用相关。
  • 现有模型局限：
    • 多项 Logit (MNL)：假设替代方案独立（IIA 性质），无法处理空间相关性。
    • 广义极值 (GEV) 模型（如 SCL, GSCL 等）：通过预设的嵌套结构（如邻接矩阵或距离衰减规则）引入相关性。但在高密度、高频率的微小动作选择集（如 3x3 网格）中，分析师预设的关联结构可能过于僵化，难以识别真实的数据模式，导致性能提升有限。
  • 研究缺口：在密集的行人运动网格中，基于分析师预设的空间 GEV 结构是否足以捕捉邻近诱导的相关性？还是基于数据驱动的残差学习（ResLogit）能提供更符合行为逻辑的替代模式？

2. 方法论 (Methodology)

2.1 数据与选择集构建

• 数据集：使用了两个自然主义轨迹数据集：nuScenes 和 Argoverse 2。
• 选择集定义：将行人的下一步运动离散化为一个 3x3 的网格。
  • 维度：速度调整（减速、保持、加速）× 航向改变（左转、直行、右转）。
  • 样本：共提取了约 2,693 个有效决策步骤（过滤后），每个步骤对应网格中的一个单元格。
• 变量：包括距离、碰撞风险（前/后）、目的地吸引力（距离和角度偏差）等交互变量。

2.2 模型对比框架

论文对比了以下五类模型：

1. 基准模型 (MNL)：多项 Logit，假设误差项独立同分布。
2. 空间 GEV 模型族：通过不同的分配规则引入相关性。
   • SCL (Spatially Correlated Logit)：基于邻接矩阵（Contiguity）分配重叠的嵌套。
   • GSCL (Generalized SCL)：基于距离衰减规则分配嵌套。
   • SCNL (Spatially Correlated Nested Logit)：允许预设类别下的多个嵌套系数。
   • GSCNL (Generalized SCNL)：从数据中估计分配模式，减少预设假设。
3. ResLogit (残差神经网络 Logit)：
   • 架构：以 MNL 的系统性效用 $V_t$ 为基础，通过残差层（Residual Layers）学习非线性交叉效应。
   • 机制：$U_t = V_t + g_t$，其中 $g_t$ 是由神经网络学习的残差修正项。
   • 优势：既保留了线性效用部分的可解释性（行为参数），又能通过数据驱动的方式捕捉复杂的替代模式和未观测到的相关性。

2.3 估计方法

• GEV 模型：使用 GAUSS 26 通过最大似然估计 (MLE)。
• ResLogit：使用 Python 和 Adam 优化器进行随机梯度下降，最小化交叉熵损失。

3. 主要贡献 (Key Contributions)

1. 模型对比创新：首次在高频率行人运动预测的离散选择框架下，系统性地比较了经典的空间 GEV 模型与混合学习模型（ResLogit）。
2. 行为可解释性与预测精度的平衡：证明了 ResLogit 在保持行为参数可解释性（如弹性、替代模式）的同时，显著优于纯统计模型。
3. 误差结构分析：揭示了在密集选择集中，基于数据驱动的残差修正比预设的空间嵌套结构更能捕捉“邻近诱导”的相关性，且预测误差更集中在行为上合理的相邻单元格中。
4. 实证发现：指出在高度对称和密集的 3x3 网格中，分析师预设的空间关联结构（如邻接或距离衰减）往往难以被数据充分识别，导致 GEV 模型性能提升微乎其微。

4. 实验结果 (Results)

4.1 模型拟合度

• GEV 模型：相比 MNL 基准，所有空间 GEV 模型（SCL, GSCL, SCNL, GSCNL）的对数似然值（Log-Likelihood）提升非常有限（从 -2.147 提升至 -2.137 左右）。这表明预设的空间结构未能显著改善对密集网格的解释力。
• ResLogit：表现显著优越，平均对数似然值达到 -1.716，AIC 显著降低。这表明学习到的残差项有效捕捉了线性效用无法解释的交叉替代效应。

4.2 预测性能与混淆矩阵

• 准确率：ResLogit 在测试集上的 Top-1 准确率为 0.321，Top-3 准确率为 0.671。
• 误差分布：
  • GEV 模型的预测仍高度集中在少数主导类别，未能显著改变替代模式。
  • ResLogit 的预测分布更均匀，且错误主要集中在相邻的网格单元（例如，预测为“轻微左转”而非“直行”）。这种误差结构在行为上是连贯的（Behaviorally Coherent），符合行人运动的局部相似性。
• 合成数据验证：在合成数据（增加变量变异性）上，ResLogit 的 Top-1 准确率提升至 0.80 以上，证明模型本身具备强大的学习能力，原始数据表现受限主要源于自然主义数据中行为变异性不足和类别不平衡。

4.3 参数解释

• 线性效用部分：ResLogit 保留了可解释的线性系数。
  • 目的地吸引力：距离越近、角度偏差越小，效用越高（负系数）。
  • 交互压力：前方碰撞风险增加会提高“减速”选项的效用；后方风险增加会降低“加速”选项的效用。
  • 这些结果符合行为直觉，证明了模型在引入深度学习组件后仍保留了行为经济学的解释力。

5. 意义与结论 (Significance & Conclusion)

• 理论意义：挑战了在密集离散选择集中过度依赖预设空间结构（如 GEV 嵌套）的传统做法。研究表明，在高频、高密度的微观运动决策中，数据驱动的残差学习比分析师预设的几何关联规则更能有效捕捉局部相关性。
• 应用价值：
  • 为自动驾驶的轨迹预测提供了新的范式：将运动预测视为结构化离散选择问题，而非单纯的坐标回归。
  • 生成的模型不仅预测准确，还能提供行为决策规则（如弹性分析），帮助规划器理解风险因素如何影响行人的速度/航向选择。
  • 预测误差的“局部一致性”对于 AV 的安全规划至关重要（预测相邻单元格比预测完全错误的动作更安全）。
• 局限性：当前模型仅关注单步决策（Myopic），未考虑时间依赖和记忆；仅关注 AV-行人交互，忽略了其他道路使用者；自然主义数据的行为变异性有限。

总结：该论文提出并验证了 ResLogit 模型在行人运动预测中的优越性。它成功地将深度学习的数据拟合能力与离散选择模型的行为可解释性相结合，证明了在密集空间选择集中，学习到的残差修正比传统的空间 GEV 嵌套结构更能准确捕捉行人的行为模式和相关性。