[論文レビュー] MTR-A: 1st Place Solution for 2022 Waymo Open Dataset Challenge -- Motion Prediction

Shaoshuai Shi, Li Jiang+2 more|arXiv (Cornell University)|Sep 20, 2022

Multimodal Machine Learning Applications被引用数 11

ひとこと要約

本論文は、2022年Waymo Open Dataset Motion Prediction Challengeで1位を獲得したMTR-Aを提示する。Motion Transformerフレームワークを用い、学習可能な動きクエリペア（静的意図クエリと動的探索クエリの組み合わせ）を導入することで、トレーニングの安定化とモード別・反復的な軌道修正を実現した。この手法は、公式リーダーボードにおいてSoft mAP、mAP、ミス率のすべてで顕著な優位性を示し、最先端の性能を達成した。

ABSTRACT

In this report, we present the 1st place solution for motion prediction track in 2022 Waymo Open Dataset Challenges. We propose a novel Motion Transformer framework for multimodal motion prediction, which introduces a small set of novel motion query pairs for generating better multimodal future trajectories by jointly performing the intention localization and iterative motion refinement. A simple model ensemble strategy with non-maximum-suppression is adopted to further boost the final performance. Our approach achieves the 1st place on the motion prediction leaderboard of 2022 Waymo Open Dataset Challenges, outperforming other methods with remarkable margins. Code will be available at https://github.com/sshaoshuai/MTR.

研究の動機と目的

• 複雑な都市環境における高い不確実性と多様なエージェント行動を伴う、複数モードの動き予測の課題に対処すること。
• 少数の学習可能な意図ポイントを通じた空間的事前知識を導入することで、トレーニングの安定化と予測品質の向上を図ること。
• 意図の局所化と反復的動きの最適化を分離することで、柔軟でモード別に最適化された軌道生成を可能にすること。
• 非最大抑制（NMS）を用いたシンプルで効果的なモデルアンサンブル戦略により、性能を向上させること。
• 2022年Waymo Open Dataset Motion Prediction Challengeで最先端の結果を達成すること。

提案手法

• シーンコンテキストエンコーダーとしてスタックされたトランスフォーマー層を用いた、エンコーダ-デコーダー構造のトランスフォーマー・アーキテクチャを採用。このエンコーダーはエージェントの軌道とマップのポリラインを符号化する。
• 新規の動きクエリペア機構を導入。静的意図クエリ（固定の意図点の学習可能埋め込み）と、反復的に更新される動的探索クエリ（軌道の修正に使用）の組み合わせである。
• 各動きクエリペアは特定の動きモードに関連付けられ、モード別予測を可能にするとともに、トレーニングの安定性を向上させる。
• 動的探索クエリは、デコーダー層を横断して軌道固有の特徴を集約し、段階的に予測を改善する。
• 各時刻で予測されたGMMから最も適合する成分を選択するためのハードアサインメントを用い、負の対数尤度損失でモデルを訓練する。
• 7種類のモデルバリエーションの予測を非最大抑制（NMS）を用いて統合するモデルアンサンブル戦略を採用。距離閾値は軌道長に比例して動的にスケーリングされる。

実験結果

リサーチクエスチョン

• RQ1 少数の学習可能な動きクエリペアが、トレーニングの安定化を図りながら、複数モードの将来軌道を効果的にモデル化できるか？
• RQ2 意図の局所化と反復的動きの最適化を分離することで、予測精度と収束性がどのように向上するか？
• RQ3 NMSを用いたシンプルなモデルアンサンブル戦略が、複数モードの動き予測においてどれほど性能を向上させられるか？
• RQ4 空間的事前知識を備えたトランスフォーマー基盤のアーキテクチャが、大規模な実世界データセットにおいて、従来のゴールベース法や直接回帰法を上回れるか？
• RQ5 アーキテクチャのハイパーパrameter（例：クエリペア数、隠れ層次元）が、複雑な動き予測タスクにおける最終的性能に与える影響はいかほどか？

主な発見

• MTR-Aは2022年Waymo Open Dataset Motion Prediction Challengeのリーダーボードで1位を達成し、他のすべての提出物と顕著な差をつけていた。
• 本手法はSoft mAP 0.845、mAP 0.789、ミス率 0.078を達成し、優れた複数モードの軌道予測性能を示した。
• NMSを用いたモデルアンサンブルは単一モデルよりも性能を向上させ、多様な予測を統合する有効性を示した。
• k-meansでクラスタリングされた意図点に基づく64個の動きクエリペアの使用により、安定的かつ正確なモード別軌道生成が可能になった。
• 軌道長に比例してスケーリングされる動的距離閾値により、複数モデル間で信頼度の高い予測が効果的に優先された。
• アブレーションスタディの結果、動きクエリペアの設計がベースライン手法と比較して、トレーニングの安定性と最終的性能を顕著に向上させたことが確認された。