[논문 리뷰] MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction

Yuning Chai, Benjamin Sapp외 2명|arXiv (Cornell University)|2019. 10. 11.

Anomaly Detection Techniques and Applications인용 수 298

한 줄 요약

MultiPath는 고정된 앵커 트래젝토리 세트를 사용하여 미래 궤적의 파라메트릭 분포를 예측하고 시간에 따른 가우시안 혼합을 생성하며 자율 주행 에이전트의 다모드 행동 예측을 효율적으로 가능하게 합니다.

ABSTRACT

Predicting human behavior is a difficult and crucial task required for motion planning. It is challenging in large part due to the highly uncertain and multi-modal set of possible outcomes in real-world domains such as autonomous driving. Beyond single MAP trajectory prediction, obtaining an accurate probability distribution of the future is an area of active interest. We present MultiPath, which leverages a fixed set of future state-sequence anchors that correspond to modes of the trajectory distribution. At inference, our model predicts a discrete distribution over the anchors and, for each anchor, regresses offsets from anchor waypoints along with uncertainties, yielding a Gaussian mixture at each time step. Our model is efficient, requiring only one forward inference pass to obtain multi-modal future distributions, and the output is parametric, allowing compact communication and analytical probabilistic queries. We show on several datasets that our model achieves more accurate predictions, and compared to sampling baselines, does so with an order of magnitude fewer trajectories.

연구 동기 및 목표

• 모션 플래닝을 위한 미래 에이전트 궤적 예측에서의 고유한 불확실성과 다모듈성 addressed.
• 고정 앵커 기반 매개변화를 제안하여 미래에 대한 간결하고 전달 가능한 분포를 얻습니다.
• 다중 모드 궤적 가설과 그 가능성 점수를 단일 패스 추론으로 효율적으로 생성합니다.
• 맥락별 장면에서 앵커를 미세 조정하기 위한 앵커 조건부 잔차와 불확실성을 학습합니다.
• 자율주행 및 드론 기반 보행자 데이터셋에서 가능도 및 궤적 집합 지표의 향상을 입증합니다.

제안 방법

• 미래 궤적 분포의 모드로 고정된 K개의 앵커 트래젝토리를 정의합니다.
• 신경망으로 생성된 앵커에 대한 소프트맥스 π(a^k|x)로 의도 불확실성을 모델링합니다.
• 각 앵커 상태 s_t^k 주위에서 평균 a_t^k + μ_t^k(x) 및 공분산 Σ_t^k(x)인 가우시안 분포로 제어 불확실성을 모델링합니다.
• 앵커를 조건으로 하는 시간 단계 독립성을 가정하여 p(s|x) = Σ_k π(a^k|x) ∏_t φ(s_t|a^k,x)의 가우시안 혼합 모델을 얻습니다.
• 모드 붕괴를 피하기 위해 프리클러스터링(k-평균)을 이용하거나 균일 샘플링으로 앵커 a^k를 얻습니다.
• (3)와 같이 하드 앵커 할당(k^m)으로 ground-truth 궤적의 로그 가능도를 최대화하는 모방 학습으로 학습합니다.
• 테스트 시, 평가를 위한 가중 세트의 궤적을 형성하기 위해 K개의 MAP 궤적(각 앵커당 하나)을 출력하고 가중치 π(a^k|x)를 제공합니다.

실험 결과

연구 질문

• RQ1 고정된 다중 앵커 기저가 미래 에이전트 궤적의 다모드 특성을 포착할 수 있는가?
• RQ2 고정 앵커에 대한 파라메트릭 가우시안 혼합이 샘플링 기반 방법과 비교하여 정확한 가능도와 간결한 궤적 샘플을 제공하는가?
• RQ3 드라이빙 및 항공 데이터셋에서 예측 가능도 및 궤적 정확도에 앵커 수 K가 어떤 영향을 미치는가?
• RQ4 장면 맥락 의존 잔차 μ_t^k 및 공분산 Σ_t^k를 모델링하는 것이 예측 품질에 어떤 영향을 미치는가?

주요 결과

Method	LL ↑	ADE ↓	minADE 5 ↓	minADE 10 ↓	minADE 15 ↓
선형	-	3.26	(3.26)	(3.26)	(3.26)
회귀 μ	-	1.17 ± 0.01	(1.17 ± 0.01 )	(1.17 ± 0.01 )	(1.17 ± 0.01 )
회귀 μ,Σ	3.64 ± 0.01	1.41 ± 0.02	(1.41 ± 0.02)	(1.41 ± 0.02 )	(1.41 ± 0.02 )
CVAE	-	2.16 ± 2.15	1.82 ± 2.35	1.74 ± 2.39	1.71 ± 2.41
CVAE 선택	-	1.20 ± 0.03	0.77 ± 0.03	0.67 ± 0.03	0.63 ± 0.03
Min-Of-K μ [20]	-	1.37 ± 0.02	0.87 ± 0.02	0.86 ± 0.02	0.86 ± 0.02
Min-Of-K μ,Σ [20]	4.26 ± 0.04	1.23 ± 0.02	0.70 ± 0.01	0.70 ± 0.01	0.70 ± 0.01
MultiPath μ (ours)	-	1.17 ± 0.00	0.58 ± 0.00	0.48 ± 0.00	0.46 ± 0.00
MultiPath μ,Σ (ours)	4.37 ± 0.00	1.25 ± 0.01	0.63 ± 0.00	0.61 ± 0.00	0.61 ± 0.00

• MultiPath는 자율 주행 데이터에서 비모달 베이스라인보다 더 높은 로그 가능도를 달성합니다.
• 동일한 샘플 수에서, 가중 앵커 MAP 궤적을 사용하여 샘플링 기반 베이스라인보다 더 높은 커버리지를 제공합니다.
• 자율 주행 데이터에서 MultiPath μ는 ADE 1.17±0.00 및 minADE 5 0.58±0.00를 달성하는 반면, MultiPath μ,Σ는 LL 4.37±0.00 및 ADE 1.25±0.01를 달성합니다.
• Stanford Drone Dataset에서 MultiPath μ,Σ는 LL 3.06 및 ADE 26.67을 달성하고 minADE 5는 해당 행에 대해 보고되지 않았지만, MultiPath μ,Σ는 경쟁력 있는 FDE 및 minADE 값을 보였습니다.
• CARLATown01/02에서 MultiPath μ,Σ는 각각 minMSD 12가 0.68 및 0.69로 다른 여러 베이스라인을 능가합니다.
• 데이터셋 전반에 걸쳐 MultiPath는 가능도 및 상위-k 궤적 지표에서 선형, 단일 회귀, CVAE 베이스라인을 지속적으로 능가합니다.