[논문 리뷰] Diffusion-Based Environment-Aware Trajectory Prediction

Theodor Westny, Björn Olofsson외 1명|arXiv (Cornell University)|2024. 03. 18.

Traffic Prediction and Management Techniques인용 수 6

한 줄 요약

확산 기반의 다중 에이전트 경로 예측 모델로, 에이전트 간 상호작용 및 지도 정보를 조건으로 하여 물리적 제약을 강제하고 현실적이며 다모달한 미래 경로를 생성한다.

ABSTRACT

The ability to predict the future trajectories of traffic participants is crucial for the safe and efficient operation of autonomous vehicles. In this paper, a diffusion-based generative model for multi-agent trajectory prediction is proposed. The model is capable of capturing the complex interactions between traffic participants and the environment, accurately learning the multimodal nature of the data. The effectiveness of the approach is assessed on large-scale datasets of real-world traffic scenarios, showing that our model outperforms several well-established methods in terms of prediction accuracy. By the incorporation of differential motion constraints on the model output, we illustrate that our model is capable of generating a diverse set of realistic future trajectories. Through the use of an interaction-aware guidance signal, we further demonstrate that the model can be adapted to predict the behavior of less cooperative agents, emphasizing its practical applicability under uncertain traffic conditions.

연구 동기 및 목표

• 복잡한 상호작용과 환경 제약 하에서 자율주행을 위한 정확하고 다모달한 경로 예측을 유도한다.
• 에이전트 간 및 지도 정보를 조건으로 미래 경로를 예측하는 확산 기반 생성 모델을 제안한다.
• 확산 프레임워크 내에서 미분 동작 제약을 통합하여 물리적으로 타당한 동작을 보장한다.
• 상호작용 인지 기반 가이던스의 효과와 샘플링의 확산에 미치는 영향을 조사한다.
• 대규모 실제 데이터셋에서 기존 방법과 비교하기 위한 벤치마크를 수행한다.

제안 방법

• 과거 이력 및 차선 지도 정보를 조건으로 다중 에이전트의 미래 경로를 예측하기 위해 GNN 기반 확산 모델을 사용한다.
• 과거 경로 및 차선 그래프를 GATv2 기반 그래프와 Graph-GRU 디코더로 인코딩하여 모션 컨트롤을 생성한다.
• 전향 교란을 에이전트별로 맞춤화하는 확산 과정을 사용하여 x_t = sqrt(gamma(t)) x_0 + (1 - sqrt(gamma(t))) x_0^init + sqrt(1 - gamma(t)) epsilon로 정의한다.
• 잠재 변수 x_t, t, 조건 c로부터 깨끗한 신호 x̂_0를 평균 제곱 오차 목적 함수로 예측하도록 학습하고, 미분 제약을 통해 물리적 타당성을 가능하게 한다.
• 학습된 신호를 경로로 변환하기 위해 테스트 시점에 모션 모델(차량의 가속 한계에 의한 점질량, 보행자의 신경ODE 기반 역학)을 적용하고 Haun의 방법으로 해결한다.
• 노이즈 제거를 상호작용 연결을 조절하는 가중치 w를 이용해 샘플링 중 간섭(간섭 파일럿 지도) 보정으로 적용하는 상호작용 인지 가이던스를 도입한다.
• 효율적 샘플링을 위해 두 단계의 확산(T ≈ 2)을 활용하고 highD 및 rounD 데이터셋에서 ADE, FDE, miss rate로 평가한다.

실험 결과

연구 질문

• RQ1 에이전트 간 상호작용 및 차선 지도를 조건으로 한 확산 기반 모델이 실제 교통 상황에서 다중 에이전트 경로를 정확히 예측할 수 있는가?
• RQ2 미분 동작 제약이 확산 기반 경로 예측의 물리적 실현성과 예측 정확도를 향상시키는가?
• RQ3 상호작용 인지 가이드(가중치 w의 변화)가 예측 품질과 다모달성에 어떤 영향을 미치는가?
• RQ4 지도 정보를 포함하는 것이 특히 지도 데이터가 부분적으로 이용 가능할 때 예측 성능에 어떤 영향을 미치는가?
• RQ5 제안된 방법이 고속도로 및 로터리 시나리오와 같은 대규모 실세계 데이터셋에서 기존 기준선과 어떻게 비교되는가?

주요 결과

방법	ADE (highD)	FDE (highD)	MR (highD)	ADE (rounD)	FDE (rounD)	MR (rounD)
Constant Acc.	0.78	2.63	0.55	4.83	16.2	0.95
S-LSTM [1]	0.41	1.49	0.22	1.20	3.47	0.56
CS-LSTM [13]	0.39	1.38	0.19	1.19	3.57	0.60
GRIP++ [41]	0.38	1.49	0.18	1.11	3.19	0.52
mmTransformer [44]	0.39	1.13	0.15	1.29	3.50	0.59
Trajectron++ [62]	0.44	1.62	0.23	1.09	3.53	0.54
MTP-GO [76]	0.30	1.07	0.13	0.96	2.95	0.46
Ours (w=0.0)	0.39	1.43	0.23	1.23	3.99	0.64
Ours (w=0.4)	0.29	1.16	0.15	1.01	3.31	0.57
Ours (w=0.8)	0.29	1.01	0.12	0.86	2.82	0.49
Ours (w=1.0)	0.28	0.99	0.11	0.84	2.73	0.46
Ours \setminus f (w=1.0)	0.46	1.27	0.16	0.96	3.10	0.52
Ours \circlearrowleft (w=1.0)	0.36	1.25	0.17	0.96	2.99	0.49

• 제안된 확산 기반 모델은 highD 및 rounD에서 상태-최첨단 또는 경쟁력 있는 ADE, FDE 및 MR 점수를 달성하며 다수의 설정에서 MTP-GO 및 Trajectron++를 포함한 여러 기준선을 능가한다.
• 미분 동작 제약의 도입은 보다 물리적으로 타당한 경로를 만들고 예측 품질을 향상시키며, 모션 모델 f를 제거하면 성능이 저하된다.
• 상호작용 인지 가이던스(더 높은 w)는 일반적으로 정확도를 향상시키며, 간선을 학습 중 제거하는 것은 일반화에 도움이 된다.
• 모델은 명시적 모드 표현 없이 다모달리티를 포착하여 여러 확산 샘플을 통해 여러 그럴듯한 미래를 생성한다; 다모달리티는 복잡한 로터리 시나리오에서 더 뚜렷하다.
• 자체 루프만 사용하는 경우(상호 간 메시지 없음) 경향이 있는 자기 중심 예측이 발생하여, 구현상 상호 에이전트 간 상호작용 모델링의 실용성을 보여준다.