[論文レビュー] Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion

Tianpei Gu, Guangyi Chen+5 more|arXiv (Cornell University)|Mar 25, 2022

Autonomous Vehicle Technology and Safety被引用数 6

ひとこと要約

本稿では、人間の運動の不確実性を逆拡散プロセスとしてモデル化する、新しい確率的軌跡予測フレームワークであるMotion Indeterminacy Diffusion（MID）を提案する。MIDは、ガウスノイズ分布から徐々にノイズを除去することで、多様で高品質な軌跡を生成する。Transformerベースのアーキテクチャを用いて条件付きマルコフ連鎖を学習し、Stanford DroneおよびETH/UCYベンチマークで最先端の性能を達成する。逆拡散ステップの長さを制御することで、予測の多様性と正確性の柔軟なトレードオフが可能となる。

ABSTRACT

Human behavior has the nature of indeterminacy, which requires the pedestrian trajectory prediction system to model the multi-modality of future motion states. Unlike existing stochastic trajectory prediction methods which usually use a latent variable to represent multi-modality, we explicitly simulate the process of human motion variation from indeterminate to determinate. In this paper, we present a new framework to formulate the trajectory prediction task as a reverse process of motion indeterminacy diffusion (MID), in which we progressively discard indeterminacy from all the walkable areas until reaching the desired trajectory. This process is learned with a parameterized Markov chain conditioned by the observed trajectories. We can adjust the length of the chain to control the degree of indeterminacy and balance the diversity and determinacy of the predictions. Specifically, we encode the history behavior information and the social interactions as a state embedding and devise a Transformer-based diffusion model to capture the temporal dependencies of trajectories. Extensive experiments on the human trajectory prediction benchmarks including the Stanford Drone and ETH/UCY datasets demonstrate the superiority of our method. Code is available at https://github.com/gutianpei/MID.

研究の動機と目的

• 軌跡予測における多様で不確実な人間の運動をモデル化する課題に対処すること。
• GAN（学習の不安定性） や CVAE（現実的でないサンプル）といった従来手法の限界を克服し、運動の不確実性の変動を明示的にモデル化すること。
• 逆拡散プロセスの長さを制御することで、予測の多様性と決定性の間の柔軟なトレードオフを実現すること。
• 観測された行動と社会的相互作用を条件としたTransformerベースのアーキテクチャを用いて、軌跡の時間的モデリングを向上させること。

提案手法

• 軌跡予測を、ノイズ分布に従う歩行可能領域から徐々に不確実性を除去する逆拡散プロセスとして定式化し、決定的軌跡に至る。
• ガウス遷移を用いたパラメータ化されたマルコフ連鎖を用い、観測された軌跡による状態埋め込みを条件として逆拡散プロセスをモデル化する。
• 空間的時間的グラフネットワークを用いて、履歴軌跡と社会的相互作用を状態埋め込みにエンコードする。
• 軌跡系列における長距離の時間的依存関係を捉えるために、Transformerベースのバックボーンを採用する。
• 変分推論を用いて、変分下界の目的関数でモデルを訓練する。
• 推論時に、ノイズ分布から徐々にノイズを除去することで、多様で高品質な軌跡を生成する。

Figure 1 : Illustration of the reverse diffusion process for human motion indeterminacy variation. Under high indeterminacy, the trajectory distribution can be regarded as a noise Gaussian distribution which denotes ambiguous walkable areas. With the decreasing of indeterminacy, this distribution gr

実験結果

リサーチクエスチョン

• RQ1 人間の運動における高不確実性から低不確実性への進化をモデル化することで、軌跡予測の品質が向上するか？
• RQ2 確率的軌跡予測において、多様性と正確性の間の柔軟なトレードオフを実現するにはどうすればよいか？
• RQ3 拡散ベースのアプローチが、GAN や CVAE といった従来の生成モデルを上回る性能を発揮できるか？
• RQ4 提案手法が、歩行者の運動における複雑な時間的および社会的依存関係をどの程度正確に捉えられるか？

主な発見

• MIDは、Stanford DroneおよびETH/UCYの軌跡予測ベンチマークで最先端の性能を達成した。
• 逆拡散ステップ数を調整することで、多様性と決定性の間の制御可能なトレードオフが可能である。
• 長い拡散チェーンを用いることで、軌跡の多様性は低下し、予測の決定性は上昇する。これは期待される挙動と整合している。
• 定性的な結果から、MIDが生成した軌跡は、長期予測においてTrajectron++よりも真値に近いことが示された。
• モデルは、ノイズ除去後も歩行可能領域内で妥当なまま、多様で現実的な軌跡を生成した。
• 推論時間はやや長め（ZARA1で512本の軌跡に対して17.368秒）であるが、動的環境に適した高品質で現実的な予測を提供している。

Figure 2 : The architecture of our MID framework. MID consists of a temporal-social encoder network and a Transformer-based decoder network. The encoder maps the history path and social interaction clues into a state embedding. The decoder then takes $\mathbf{y}_{k}$ along with state embedding and t