MSN: Multi-Style Network for Trajectory Prediction

要約

タイトル：Trajectory PredictionのためのMulti-Style Network

要約：
– Trajectory Predictionは、観測情報とビデオコンテキストを考慮してエージェントの予測可能な将来の位置を予測することを目的としている。
– 追跡、検出、ロボットナビゲーション、自動運転車など、多くの自律型プラットフォームにとって必要不可欠である。
– エージェントの内部的な人格要因、近隣との相互作用的な行動、周囲環境の影響など、すべてがエージェントの将来の計画に影響を与える。
– しかし、多くの以前の手法は同じ戦略や特徴分布を使用してエージェントの行動をモデル化・予測しており、予測に十分なスタイルの違いがあることが難しくなっている。
– 本論文では、Multi-Style Network（MSN）を提案し、2つのサブネットワークを使用して、スタイル提案とスタイル化された予測を行い、新しいカテゴリー方式で複数のスタイルの予測を自動的に提供する。
– 提案されたネットワークには、一連のスタイルチャネルが含まれており、各チャネルは独自かつ特定の行動スタイルにバインドされている。
– 行動分類の基準として、エージェントのエンドポイントプランニングとその相互作用コンテキストを使用し、これらのチャネルを通じて複数の異なる行動スタイルを適応的に学習する。
– 次に、ターゲットエージェントは、これらのカテゴリー化されたスタイルに応じて将来の行動を計画する可能性があるため、異なるスタイルチャネルを使用して並列にスタイルの違いが大きい予測を行う。
– 実験結果は、提案されたMSNが2つの広く使用されているデータセットで現存する最先端の方法よりも最大で10％優れていることを定量的に示し、品質的にも優れたマルチスタイルの特性を示している。

要約(オリジナル)

Trajectory prediction aims to forecast agents’ possible future locations considering their observations along with the video context. It is strongly needed by many autonomous platforms like tracking, detection, robot navigation, and self-driving cars. Whether it is agents’ internal personality factors, interactive behaviors with the neighborhood, or the influence of surroundings, they all impact agents’ future planning. However, many previous methods model and predict agents’ behaviors with the same strategy or feature distribution, making them challenging to make predictions with sufficient style differences. This paper proposes the Multi-Style Network (MSN), which utilizes style proposal and stylized prediction using two sub-networks, to provide multi-style predictions in a novel categorical way adaptively. The proposed network contains a series of style channels, and each channel is bound to a unique and specific behavior style. We use agents’ end-point plannings and their interaction context as the basis for the behavior classification, so as to adaptively learn multiple diverse behavior styles through these channels. Then, we assume that the target agents may plan their future behaviors according to each of these categorized styles, thus utilizing different style channels to make predictions with significant style differences in parallel. Experiments show that the proposed MSN outperforms current state-of-the-art methods up to 10% quantitatively on two widely used datasets, and presents better multi-style characteristics qualitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI