Cheap and Deterministic Inference for Deep State-Space Models of Interacting Dynamical Systems

要約

タイトル：相互作用する動的システムのディープステートスペースモデルにおける安価かつ確定的な推論

要約：
– 相互作用する動的システムのモデリングにグラフニューラルネットワークがしばしば用いられる。
– 決定論的な相互作用するシステムに対しては既に多くの進展があったが、確率的なシステムに対するモデリングは、将来の軌道に対する予測分布を得ることが目的であるため、より困難である。
– 既存の手法は、モンテカルロサンプリングに依存するため計算速度が遅いか、または予測分布が単峰であるという単純化した仮定をするため、多峰性を考慮しない。
– 本研究では、グラフニューラルネットワークを用いたディープステートスペースモデルを提案し、予測分布をガウス混合モデルの形で表現する。ガウス成分のモーメントは確定的なモーメントマッチングルールによって計算できるため、モンテカルロに依存しないサンプルフリーな推論が可能となる。
– ガウス成分の共分散行列については、多数のエージェントを持つシステムに拡張するために構造的な近似が提案されている。
– 自動運転に関する2つのデータセットでベンチマークを行い、従来手法に比べて本提案手法の優位性を確認。また、詳細なアブレーションスタディや提案した共分散行列の近似のランタイム分析も行われた。
– 未知のシナリオでの評価により、本手法の汎化特性の有用性が実証された。

要約(オリジナル)

Graph neural networks are often used to model interacting dynamical systems since they gracefully scale to systems with a varying and high number of agents. While there has been much progress made for deterministic interacting systems, modeling is much more challenging for stochastic systems in which one is interested in obtaining a predictive distribution over future trajectories. Existing methods are either computationally slow since they rely on Monte Carlo sampling or make simplifying assumptions such that the predictive distribution is unimodal. In this work, we present a deep state-space model which employs graph neural networks in order to model the underlying interacting dynamical system. The predictive distribution is multimodal and has the form of a Gaussian mixture model, where the moments of the Gaussian components can be computed via deterministic moment matching rules. Our moment matching scheme can be exploited for sample-free inference, leading to more efficient and stable training compared to Monte Carlo alternatives. Furthermore, we propose structured approximations to the covariance matrices of the Gaussian components in order to scale up to systems with many agents. We benchmark our novel framework on two challenging autonomous driving datasets. Both confirm the benefits of our method compared to state-of-the-art methods. We further demonstrate the usefulness of our individual contributions in a carefully designed ablation study and provide a detailed runtime analysis of our proposed covariance approximations. Finally, we empirically demonstrate the generalization ability of our method by evaluating its performance on unseen scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI