[论文解读] MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction

Yuning Chai, Benjamin Sapp+2 more|arXiv (Cornell University)|Oct 12, 2019

Anomaly Detection Techniques and Applications参考文献 28被引用 137

一句话总结

MultiPath 将未来代理轨迹表示为在固定锚轨迹集合上的参数化高斯混合，以实现单次前向传递的高效多模态行为预测。

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.

研究动机与目标

• 在自主驾驶及相关领域强调多模态未来轨迹预测的必要性。
• 提出一个固定锚点的概率框架来建模未来轨迹中的意图与控制不确定性。
• 学习每个锚轨迹条件下的锚点相关高斯细化，结合上下文。
• 提供一个可处理的一次前向推断机制，以获得一个概率化的轨迹分布。
• 在多个数据集上相比基线，展示更高的似然度与轨迹集合指标。

提出的方法

• 定义一组固定的锚轨迹，表示未来轨迹分布的模态。
• 将不确定性建模为两层过程：离散的意图在锚点上的分布（softmax pi(a^k|x)）和每个锚点周围的高斯控制细化（s_t^k ~ N(a_t^k + mu_t^k(x), Sigma_t^k(x))）。
• 对锚点边际化，得到时间不变的混合权重下的高斯混合模型 p(s|x)。
• 通过模仿学习最大化一个硬分配的对数似然（Equation 3）来学习锚点概率和每时间步的高斯分布。
• 通过从每个锚点获取MAP轨迹并使用锚点权重 pi(a^k|x) 作为样本权重，推断出多样化的测试时轨迹。
• 将场景上下文表示为自上而下、以代理为中心的输入，通过两阶段网络进行处理（场景CNN，ResNet骨干网络，然后进行每个代理的 refinement 网络）。
• 通过神经预测器获得参数 mu_t^k 与 Sigma_t^k；可选地包含用于时间步依赖性的递归扩展。

实验结果

研究问题

• RQ1 固定的一组轨迹锚是否比基于采样的方法更有效地捕捉多模态未来分布？
• RQ2 将离散意图与锚点模式及对每个锚点的高斯细化结合，是否在真实驾驶数据集上提升似然度和评估指标？
• RQ3 是否单次前向传播足以产生紧凑、概率化的预测，适用于概率查询和规划？
• RQ4 锚点数量 K 如何影响预测性能和似然度？
• RQ5 该框架能否在多样化数据集（自动驾驶、Stanford Drone、CARLA）上实现泛化？

主要发现

方法	LL ↑	ADE ↓	minADE 5 ↓	minADE 10 ↓	minADE 15 ↓
线性	-	3.26	(3.26)	(3.26)	(3.26)
回归 μ	-	1.17 ± 0.01	(1.17 ± 0.01)	(1.17 ± 0.01)	(1.17 ± 0.01)
回归 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 选择	-	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 在自主驾驶数据上实现的对数似然度高于单峰回归基线。
• 在样本数量相当或更少的情况下，每个锚点的MAP轨迹提供比基于采样的方法更好的覆盖。
• 使用 16 个锚点的 mu, Sigma 与 64 个锚点的 mu 形成强劲性能，在 LL 与 ADE 相关指标上优于若干基线。
• 该方法产生了具有固定混合权重的高斯混合模型，允许闭式似然计算及高效概率查询。
• 基于锚点的建模缓解了模态崩塌问题，并为规划提供紧凑、 多样的轨迹表征。