[논문 리뷰] DAG-Net: Double Attentive Graph Neural Network for Trajectory Forecasting

Alessio Monti, Alessia Bertugli외 2명|arXiv (Cornell University)|2020. 05. 26.

Autonomous Vehicle Technology and Safety참고 문헌 35인용 수 58

한 줄 요약

DAG-Net 은 미래 목표에 조건을 다는 이중 주의 그래프 신경망과 순환형 VAE를 도입하여 도시 및 스포츠 시나리오에서 다중 모드 궤적 예측을 생성하고 최첨단 성능을 달성합니다.

ABSTRACT

Understanding human motion behaviour is a critical task for several possible applications like self-driving cars or social robots, and in general for all those settings where an autonomous agent has to navigate inside a human-centric environment. This is non-trivial because human motion is inherently multi-modal: given a history of human motion paths, there are many plausible ways by which people could move in the future. Additionally, people activities are often driven by goals, e.g. reaching particular locations or interacting with the environment. We address the aforementioned aspects by proposing a new recurrent generative model that considers both single agents' future goals and interactions between different agents. The model exploits a double attention-based graph neural network to collect information about the mutual influences among different agents and to integrate it with data about agents' possible future objectives. Our proposal is general enough to be applied to different scenarios: the model achieves state-of-the-art results in both urban environments and also in sports applications.

연구 동기 및 목표

• 에이전트의 목표에 조건을 두고 다양한 미래 경로를 모델링하여 다중 모드 궤적 예측을 다룬다.
• 그래프 신경망의 주의 풀링을 통해 에이전트 간의 사회적 상호 작용을 통합한다.
• 미래 목표에 조건화된 순환 변분 오토인코더를 활용해 그럴듯한 미래 변위들을 생성한다.
• 미래 목표와 상호 영향력을 모두 포착하여 장기 예측 정확도를 향상시킨다.

제안 방법

• 시간적 역학을 모델링하고 변위들을 잠재 변수로 생성하는 VRNN 코어를 사용한다.
• 그래프 어텐션 메커니즘을 통해 예측된 미래 목표를 인코딩하고 다듬는 Goals 네트워크를 도입한다.
• 이웃 정보로 에이전트의 숨겨진 상태를 다듬기 위한 두 번째 Attentive GNN을 적용한다.
• 예측 목표에 맞추어 인코더, 사전분포, 디코더를 조건화하여 궤도 생성을 안내한다.
• 목표 정렬에 대한 교차 엔트로피 항을 포함하는 확장된 ELBO 목표로 학습한다.
• 추론 중에는 다른 에이전트의 성향과 정보를 공유하는 목표 생성 네트워크를 사용하여 일관된 미래를 생성한다.

실험 결과

연구 질문

• RQ1 미래 목표를 어떻게 표현하고 통합하여 다중 에이전트 궤적 예측을 안내할 수 있는가?
• RQ2 주목할 만한 그래프 신경망이 에이전트 간 상호 작용과 목표 관계를 모두 효과적으로 모델링하여 정확도를 향상시킬 수 있는가?
• RQ3 구조화된 목표에 조건화된 VRNN이 도시 및 스포츠 설정에서 더 나은 다중 모드 예측을 제공하는가?

주요 결과

• DAG-Net은 Stanford Drone Dataset에서 베이스라인보다 더 강한 ADE 및 FDE 성능을 달성한다(0.53 m ADE, 1.04 m FDE).
• 농구에서 DAG-Net은 공격 및 수비 예측을 개선하여 ADE/FDE에서 STGAT, Social-Ways, Weak-Supervision을 능가한다.
• 에일리언 연구에서 에이전트 간의 상호 작용과 미래 목표 조건화가 일반적인 VRNN 및 Attentive-VRNN 베이스라인보다 이점을 보인다.
• 더 긴 시야의 예측은 목표와 상호 작용 통합 접근 방식의 이점을 얻으며, 특히 동적이 높은 팀 스포츠 맥락에서 두드러진다.
• 이중 주의 메커니즘은 미래 궤적의 다중 모달리티를 보존하면서 예측의 안정성을 높인다.