[論文レビュー] MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction

Yuning Chai, Benjamin Sapp+2 more|arXiv (Cornell University)|Oct 11, 2019

Anomaly Detection Techniques and Applications被引用数 298

ひとこと要約

MultiPath は固定のアンカ—軌道集合を用いて未来軌道のパラメトリック分布を予測し、時間軸上にガウス混合を生じさせることで、自律エージェントの多モードな挙動予測を効率的に実現します。

ABSTRACT

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

研究の動機と目的

• 運動計画のための将来エージェント軌道予測における内在的不確実性と多モード性へ対処する。
• 未来の分布をコンパクトに伝えやすくするための固定アンカー基盤のパラメトリック化を提案する。
• ワンパス推論で多モード軌道仮説とその尤度を効率的に生成する。
• 文脈依存のアンカーを refine するためのアンカー条件付き残差と不確実性を学習する。
• 自動運転およびドローンを用いた歩行者データセットで、尤度と軌道集合指標の改善を示す。

提案手法

• 将来軌道分布のモードとして固定個数 K のアンカー軌道を定義する。
• neural network によって生成されるアンカーに関するセーフマックス発生確率 π(a^k|x) で意図不確実性をモデル化する。
• 各アンカー状態 s_t^k の周りに平均 a_t^k + μ_t^k(x) 、共分散 Σ_t^k(x) を持つガウス分布として制御不確実性をモデル化する。
• アンカーが与えられた時の時刻依存の条件独立を仮定して p(s|x) = Σ_k π(a^k|x) ∏_t φ(s_t|a^k,x) のガウス混合モデルを得る。
• モード崩壊を避けるため、固定のアンカーを事前クラスタリング（典型フレームでの k-means）または均等サンプリングで取得する。
• 模倣学習によって地上真実軌道の対数尤度を最大化する訓練を行い、 hard anchor assignment（k^m）を用いる（式(3) のように）。
• テスト時には、各アンカーごとに重み π(a^k|x) を付与した K 個の MAP 軌道を出力し、評価用の重み付き軌道集合を形成する。

実験結果

リサーチクエスチョン

• RQ1 固定された複数アンカー基底は、将来のエージェント軌道の多モード性を捉えられるか？
• RQ2 固定アンカー上のパラメトリックなガウス混合は、サンプリングベースの手法と比べて正確な尤度とコンパクトな軌道サンプルを提供するか？
• RQ3 アンカー数 K は運転および空撮データセット全体で予測尤度と軌道精度にどう影響するか？
• RQ4 場面文脈依存の残差 μ_t^k および共分散 Σ_t^k のモデリングは予測品質にどのような影響を与えるか？

主な発見

Method	LL ↑	ADE ↓	minADE 5 ↓	minADE 10 ↓	minADE 15 ↓
Linear	-	3.26	(3.26)	(3.26)	(3.26)
Regression μ	-	1.17 ± 0.01	(1.17 ± 0.01 )	(1.17 ± 0.01 )	(1.17 ± 0.01 )
Regression 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 select	-	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

• MultiPath は自動運転データで一様モードのベースラインよりも対数尤度が高い。
• 同じサンプル数で、ウェイト付きアンカー MAP 軌道を用いることでサンプリングベースのベースラインよりもカバレッジが向上する。
• 自動運転データ上で、MultiPath μ は ADE 1.17 ± 0.00、minADE 5 0.58 ± 0.00、One more metric LL 4.37 ± 0.00、ADE 1.25 ± 0.01。
• Stanford Drone Dataset において、MultiPath μ,Σ は LL 3.06 と ADE 26.67 を達成し、minADE 5 は報告されていない一方で MultiPath μ,Σ は競合的な FDE および minADE 値を示す。
• CARLATown01/02 では MultiPath μ,Σ が minMSD 12 をそれぞれ 0.68 と 0.69 に誘導し、該当メトリックでいくつかのベースラインを上回る。
• データセット全体で、MultiPath は線形、単一回帰、CVAE ベースラインより一貫して尤度および top-k 軌道指標で優れている。