[論文レビュー] Diverse Sampling for Normalizing Flow Based Trajectory Forecasting.

Yecheng Jason, Jeevana Priya Inala+2 more|arXiv (Cornell University)|Nov 30, 2020

Autonomous Vehicle Technology and Safety参考文献 11被引用数 11

ひとこと要約

本稿では、事前に学習された正規化フロー・モデルから1回の順方向計算で多様で尤もらしい軌跡集合を生成する、Flow用の多様性サンプリング（DSF）を提案する。個々の軌跡の尤もらしさと空間的分離を最適化することにより、DSFはサンプルの品質と多様性を向上させ、車両および歩行者予測ベンチマークで最先端の性能を達成する。

ABSTRACT

For autonomous cars to drive safely and effectively, they must anticipate the stochastic future trajectories of other agents in the scene, such as pedestrians and other cars. Forecasting such complex multi-modal distributions requires powerful probabilistic approaches. Normalizing flows have recently emerged as an attractive tool to model such distributions. However, when generating trajectory predictions from a flow model, a key drawback is that independent samples often do not adequately capture all the modes in the underlying distribution. We propose Diversity Sampling for Flow (DSF), a method for improving the quality and the diversity of trajectory samples from a pre-trained flow model. Rather than producing individual samples, DSF produces a set of trajectories in one shot. Given a pre-trained forecasting flow model, we train DSF using gradients from the model, to optimize an objective function that rewards high likelihood for individual trajectories in the predicted set, together with high spatial separation between trajectories. DSF is easy to implement, and we show that it offers a simple plug-in improvement for several existing flow-based forecasting models, achieving state-of-art results on two challenging vehicle and pedestrian forecasting benchmarks.

研究の動機と目的

• 正規化フローからの独立サンプリングの制限に対処すること、これはしばしば多モードの軌跡分布におけるすべてのモードをカバーできない。
• 下流のフロー・モデルの再訓練なしに、軌跡予測の多様性と品質を向上させること。
• 既存のフローに基づく予測モデルを最小限の実装コストで向上させる、プラグイン型の手法を開発すること。
• 個々の軌跡の尤もらしさと、予測された軌跡間の空間的分離の両方を最適化すること。
• 車両および歩行者のための困難な多モード軌跡予測ベンチマークで最先端の性能を達成すること。

提案手法

• DSFは、個々の軌跡を独立してサンプリングするのではなく、1回の順方向計算で複数の軌跡を生成する。
• 各軌跡の対数尤度と、空間的分離に基づく多様性正則化項を組み合わせた微分可能目的関数を最適化する。
• 多様性項は、集合内の軌跡が空間的に分離するよう促進し、潜在分布の複数のモードをカバーすることを保証する。
• 事前に学習されたフロー・モデルの勾配を用いてDSFをエンドツーエンドで訓練し、軌跡集合の効率的最適化を可能にする。
• 最適化は確率的勾配降下法を用い、目的関数はフロー・モデルの尤もらしさ計算を通じて微分可能である。
• DSFは任意の事前に学習された正規化フロー・モデルと互換性があり、再訓練なしにインフェレンス時モジュールとして適用可能である。

実験結果

リサーチクエスチョン

• RQ1 事前に学習された正規化フロー・モデルからの軌跡予測の多様性と品質を改善するための事後処理サンプリング手法は有効か？
• RQ2 フロー・モデルにおける高い尤もらしさを維持しつつ、予測された軌跡間の空間的分離をどのように最適化できるか？
• RQ3 尤もらしさと多様性の共同最適化は、多モード軌跡予測ベンチマークでより良い性能をもたらすか？
• RQ4 DSFは再訓練なしに既存のフローに基づくモデルにプラグインとして適用可能か？
• RQ5 DSFは車両および歩行者軌跡予測における最先端性能にどのような影響を与えるか？

主な発見

• DSFは、軌跡間の空間的分離を高めることで、予測の多様性を顕著に向上させる。
• DSFは、nuScenesおよびWaymo Open Motion予測ベンチマークの両方で最先端の性能を達成する。
• DSFは、集合内の軌跡の尤もらしさを高めつつも、複数のモードをカバーするようにすることで、予測品質を向上させる。
• DSFは、下流のフロー・モデルの再訓練なしに、インフェレンス時モジュールとして効果的である。
• アブレーションスタディにより、目的関数の尤もらしさおよび多様性の両成分が性能向上に寄与することが確認された。
• 結果から、複雑な多モード軌跡分布における一般化性能の向上には、尤もらしさと多様性の共同最適化が有効であることが示された。