GAME-UP: Game-Aware Mode Enumeration and Understanding for Trajectory Prediction

要約

道路担当者間の対話は、特に複数の担当者が関与する場合、軌道予測において大きな課題となります。
既存の多様性を認識した予測変数は、マルチエージェント予測の対話的な性質を考慮していないため、これらの重要な対話結果を見逃してしまう可能性があります。
この論文では、ゲーム理論の逆強化学習を利用してマルチモーダル予測のカバレッジを向上させる、軌道予測のフレームワークである GAME-UP を提案します。
トレーニング時のゲーム理論による数値解析を補助損失として使用し、エージェントのアクションの分類を前提とせずにカバレッジと精度を向上させます。
Waymo Open Motion Dataset のインタラクティブなサブセットに対するアプローチを示します。これには、インタラクションの複雑性が高いシナリオを含む 3 つのサブセットが含まれます。
実験結果は、私たちの予測器が、ベースライン モデルと比較して 2 倍の可能な相互作用をカバーしながら、正確な予測を生成することを示しています。

要約(オリジナル)

Interactions between road agents present a significant challenge in trajectory prediction, especially in cases involving multiple agents. Because existing diversity-aware predictors do not account for the interactive nature of multi-agent predictions, they may miss these important interaction outcomes. In this paper, we propose GAME-UP, a framework for trajectory prediction that leverages game-theoretic inverse reinforcement learning to improve coverage of multi-modal predictions. We use a training-time game-theoretic numerical analysis as an auxiliary loss resulting in improved coverage and accuracy without presuming a taxonomy of actions for the agents. We demonstrate our approach on the interactive subset of Waymo Open Motion Dataset, including three subsets involving scenarios with high interaction complexity. Experiment results show that our predictor produces accurate predictions while covering twice as many possible interactions versus a baseline model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google