[论文解读] 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 298

一句话总结

MultiPath 使用固定的一组锚点预测未来轨迹的参数分布，产生随时间的高斯混合分布，并实现对自主代理的高效、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

• 解决在为运动规划预测未来代理轨迹时固有的不确定性与多模态性。
• 提出基于固定锚点的参数化方法，以获得紧凑且易于传达的未来分布。
• 实现高效的一次前向推理，生成多模态轨迹假设及其似然性。
• 学习锚点条件的残差和不确定性，在特定场景中对锚点进行细化。
• 在自动驾驶和基于无人机的行人数据集上展示更高的似然性和轨迹集指标。

提出的方法

• 将固定的 K 条锚点轨迹定义为未来轨迹分布的模态。
• 用由神经网络生成的对锚点的 softmax π(a^k|x) 来建模意图不确定性。
• 将控制不确定性建模为围绕每个锚点状态 s_t^k 的高斯分布，均值为 a_t^k + μ_t^k(x)，协方差为 Σ_t^k(x)。
• 在给定锚点的条件下假设时间步的条件独立性，从而得到高斯混合模型 p(s|x) = Σ_k π(a^k|x) ∏_t φ(s_t|a^k,x)。
• 通过先验聚类（在规范坐标系中的 k-means）或均匀采样获得锚点 a^k，以避免模态崩溃。
• 通过模仿学习训练，以最大化带硬锚点分配（k^m）时真实轨迹的对数似然，如式(3)所示。
• 在测试时，输出 K 条 MAP 轨迹（每个锚点一条）并带权重 π(a^k|x)，形成用于评估的加权轨迹集合。

实验结果

研究问题

• RQ1 固定的多锚点基底是否能够捕捉未来代理轨迹的多模态特征？
• RQ2 相对于基于采样的方法，基于固定锚点的参数化高斯混合是否提供更准确的似然性和更紧凑的轨迹样本？
• RQ3 锚点数量 K 如何影响驾驶和空中数据集上的预测似然性与轨迹准确性？
• RQ4 对预测质量，建模场景上下文相关残差 μ_t^k 和协方差 Σ_t^k 的影响是什么？

主要发现

• MultiPath 在自动驾驶数据上实现了比单模基线更高的对数似然。
• 在相同样本数下，MultiPath 通过使用带权锚点 MAP 轨迹提供比基于采样的基线更好的覆盖。
• 在自动驾驶数据上，MultiPath μ 达到 ADE 1.17±0.00 和 minADE 5 0.58±0.00，而 MultiPath μ,Σ 达到 LL 4.37±0.00 和 ADE 1.25±0.01。
• 在 Stanford Drone Dataset 上，MultiPath μ,Σ 达到 LL 3.06 和 ADE 26.67，然而该行未报告 minADE 5，而 MultiPath μ,Σ 显示出有竞争力的 FDE 和 minADE 值。
• 在 CARLATown01/02 上，MultiPath μ,Σ 的 minMSD 0.68 和 0.69 分别为 12 个样本的结果，在该指标上优于若干基线。
• Across datasets, MultiPath consistently outperforms linear, single-regression, and CVAE baselines on likelihood and top-k trajectory metrics.