[論文レビュー] EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning

Jiachen Li, Fan Yang+2 more|arXiv (Cornell University)|Mar 31, 2020

Autonomous Vehicle Technology and Safety参考文献 47被引用数 101

ひとこと要約

EvolveGraphは、動的潜在相互作用グラフモデルを用いたマルチエージェント軌跡予測を導入し、明示的な関係推論、多モーダルな予測、および合計二段階トレーニングパイプラインを実現し、合成データセットと実世界データセットの両方で最先端の結果を達成します。

ABSTRACT

Multi-agent interacting systems are prevalent in the world, from pure physical systems to complicated social dynamic systems. In many applications, effective understanding of the situation and accurate trajectory prediction of interactive agents play a significant role in downstream tasks, such as decision making and planning. In this paper, we propose a generic trajectory forecasting framework (named EvolveGraph) with explicit relational structure recognition and prediction via latent interaction graphs among multiple heterogeneous, interactive agents. Considering the uncertainty of future behaviors, the model is designed to provide multi-modal prediction hypotheses. Since the underlying interactions may evolve even with abrupt changes, and different modalities of evolution may lead to different outcomes, we address the necessity of dynamic relational reasoning and adaptively evolving the interaction graphs. We also introduce a double-stage training pipeline which not only improves training efficiency and accelerates convergence, but also enhances model performance. The proposed framework is evaluated on both synthetic physics simulations and multiple real-world benchmark datasets in various areas. The experimental results illustrate that our approach achieves state-of-the-art performance in terms of prediction accuracy.

研究の動機と目的

• 異種エージェントと進化する相互作用を持つマルチエージェントシステムにおける正確な軌跡予測を動機づける。
• エージェント間の潜在的な相互作用グラフを明示的にモデル化するフレームワークを開発する。
• 確率的で多成分の予測設定を通じて、将来の軌道の多モード性と不確実性を捉える。
• 時間とともに変化する関係を反映するために相互作用グラフの動的進化を可能にする。
• 静的グラフ学習と動的グラフ学習を組み合わせた二段階のトレーニングパイプラインにより、トレーニング効率と収束を向上させる。

提案手法

• エージェントノードとコンテキストノードを含む観測グラフを構築し、初期の相互作用をエンコードする。
• Gumbel-softmax再参数化を用いたソフトマックスベースのエンコーディングにより、エッジタイプの分布として潜在的相互作用グラフを推定する。
• 各エージェントに対してガウス混合分布（K成分）を出力する再帰的デコード過程を介して将来の軌道をデコードする。
• τステップごとに潜在グラフを再エンコードするグラフリカレントユニットを用いた動的相互作用グラフ機構を導入し、進化する関係を捉える。
• 二段階のトレーニング手順を用いる：まず静的相互作用グラフを訓練する（ステージ1）、次に動的グラフ進化でファインチューニングする（ステージ2）。
• 静的および動的段階を個別に最適化する損失設計を採用し、多モード性を促進しモード崩壊に対するロバスト性を高める。

実験結果

リサーチクエスチョン

• RQ1 時系列全体で潜在的で異種の相互作用グラフがマルチエージェント間の関係を効果的に表現できるか？
• RQ2 相互作用グラフを明示的に進化させることは、静的関係ベースラインより予測精度を向上させるか？
• RQ3 ガウス混合デコードと進化するグラフを用いて将来軌跡の多モード性をどの程度捉えられるか？
• RQ4 二段階トレーニング手順は動的関係推論の収束を加速し、予測精度を向上させるか？
• RQ5 異なるエージェントタイプと文脈を有する合成データと実データのベンチマークで本アプローチはどのように機能するか？

主な発見

• EvolveGraphは複数のベンチマークで最先端の性能を達成し、データセット全体でベースラインを一貫して上回る。
• 静的相互作用グラフ学習はエッタイプの精度と軌道予測に有益であり、関係が変化する状況で動的進化がさらなる利得をもたらす。
• 動的バージョン（グラフ進化を伴う）は Honda 3D (H3D) および NBA データセットで minADE20 / minFDE20 を大幅に改善し、例えば STGAT ベースラインより minADE20を4.0秒、20.0%低減、minFDE20を4.0秒、27.1%低減。
• 二段階トレーニングは、単一段階や純粋な静的アプローチと比較して収束を加速し、予測精度を向上させる。
• ガウス混合を用いて複数の可能性のある未来モードを示すことで多モードの軌道予測をサポートし、予測された多様な軌道と進化するグラフに反映されている。