FJMP: Factorized Joint Multi-Agent Motion Prediction over Learned Directed Acyclic Interaction Graphs

要約

タイトル：FJMP：学習した有向非循環相互作用グラフ上のファクタライズされた複数エージェントモーション予測

要約：

– 自動運転のパイプラインにおいて、道路エージェントの将来の動きを予測することは重要な課題です。
– 本研究では、マルチエージェントドライビングシナリオにおいて、シーンレベルまたはジョイントの将来軌跡予測を生成する問題に取り組みます。
– このため、FJMPというファクタライズされた複数エージェントインタラクティブなドライビングシナリオのためのジョイントモーション予測フレームワークを提案します。
– FJMPは、エッジがエージェント間の明示的な相互作用を示す疎な有向相互作用グラフとして将来のシーンの相互作用力学をモデル化します。
– 次に、グラフを有向非循環グラフ（DAG）に剪定し、DAGの部分順序に従ってマージナルな予測と条件付け予測のシーケンスにジョイント将来軌跡予測を分解します。
– ここで、ジョイント将来軌跡は、有向非循環グラフニューラルネットワーク（DAGNN）を使用してデコードされます。
– INTERACTIONおよびArgoverse 2のデータセットで実験を行い、FJMPが非ファクタライズされたアプローチよりも、特に最もインタラクティブで運動学的に興味深いエージェントに対して、より正確でシーンに一致したジョイント軌跡予測を生成することを示します。
– FJMPは、INTERACTIONデータセットの複数エージェントテストリーダーボードで1位にランクインします。

要約(オリジナル)

Predicting the future motion of road agents is a critical task in an autonomous driving pipeline. In this work, we address the problem of generating a set of scene-level, or joint, future trajectory predictions in multi-agent driving scenarios. To this end, we propose FJMP, a Factorized Joint Motion Prediction framework for multi-agent interactive driving scenarios. FJMP models the future scene interaction dynamics as a sparse directed interaction graph, where edges denote explicit interactions between agents. We then prune the graph into a directed acyclic graph (DAG) and decompose the joint prediction task into a sequence of marginal and conditional predictions according to the partial ordering of the DAG, where joint future trajectories are decoded using a directed acyclic graph neural network (DAGNN). We conduct experiments on the INTERACTION and Argoverse 2 datasets and demonstrate that FJMP produces more accurate and scene-consistent joint trajectory predictions than non-factorized approaches, especially on the most interactive and kinematically interesting agents. FJMP ranks 1st on the multi-agent test leaderboard of the INTERACTION dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI