IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction

要約

自律システムの安全な計画と制御には、信頼性の高いマルチエージェント軌道予測が不可欠です。
単一エージェントの場合と比較して、複数のエージェントを同時に処理する際の主な課題は、さまざまな運転意図や道路状況によって引き起こされる複雑な社会的相互作用をモデル化することにあります。
以前の方法は通常、グラフベースのメッセージ伝播または注意メカニズムを活用して、そのような相互作用を限界確率分布の形式でカプセル化します。
ただし、それは本質的に準最適です。
この論文では、マルチエージェント相互作用モデリングを改善するために、増分ピアソン相関係数に基づく新しい関連性認識モジュールである IPCC-TP を提案します。
IPCC-TP は、インタラクティブなインクリメンタル ムーブメントに従って、平均と共分散の密結合推定を通じて、ペアワイズ ジョイント ガウス分布を学習します。
私たちのモジュールは、既存のマルチエージェント予測方法に便利に組み込むことができ、元の動き分布デコーダーを拡張できます。
nuScenes と Argoverse 2 データセットでの広範な実験は、IPCC-TP がベースラインのパフォーマンスを大幅に改善することを示しています。

要約(オリジナル)

Reliable multi-agent trajectory prediction is crucial for the safe planning and control of autonomous systems. Compared with single-agent cases, the major challenge in simultaneously processing multiple agents lies in modeling complex social interactions caused by various driving intentions and road conditions. Previous methods typically leverage graph-based message propagation or attention mechanism to encapsulate such interactions in the format of marginal probabilistic distributions. However, it is inherently sub-optimal. In this paper, we propose IPCC-TP, a novel relevance-aware module based on Incremental Pearson Correlation Coefficient to improve multi-agent interaction modeling. IPCC-TP learns pairwise joint Gaussian Distributions through the tightly-coupled estimation of the means and covariances according to interactive incremental movements. Our module can be conveniently embedded into existing multi-agent prediction methods to extend original motion distribution decoders. Extensive experiments on nuScenes and Argoverse 2 datasets demonstrate that IPCC-TP improves the performance of baselines by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google