EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction

要約

自動運転車の安全かつ効率的な運用には、正確な軌道予測が不可欠です。
深層学習の人気の高まりにより、軌道予測のための多数の方法が開発されました。
決定論的な深層学習モデルは広く使用されていますが、深層生成モデルはトレーニング データからデータ分布を学習し、軌道の不確実性を考慮するため人気が高まっています。
この研究では、将来の車両の軌道を予測するための深層生成モデルである EquiDiff を提案します。
EquiDiff は条件付き拡散モデルに基づいており、履歴情報とランダム ガウス ノイズを組み込むことで将来の軌道を生成します。
EquiDiff のバックボーン モデルは、位置座標の幾何学的特性を完全に利用する SO(2) 等変変換器です。
さらに、リカレント ニューラル ネットワークとグラフ アテンション ネットワークを採用して、歴史的な軌跡から社会的相互作用を抽出します。
EquiDiff のパフォーマンスを評価するために、NGSIM データセットに対して広範な実験を実施しました。
私たちの結果は、EquiDiff が短期予測では他のベースライン モデルよりも優れていますが、長期予測では誤差がわずかに高いことを示しています。
さらに、アブレーション研究を実施して、EquiDiff の各コンポーネントの予測精度への寄与を調査します。
さらに、拡散モデルの生成プロセスを視覚化して、予測の不確実性についての洞察を提供します。

要約(オリジナル)

Accurate trajectory prediction is crucial for the safe and efficient operation of autonomous vehicles. The growing popularity of deep learning has led to the development of numerous methods for trajectory prediction. While deterministic deep learning models have been widely used, deep generative models have gained popularity as they learn data distributions from training data and account for trajectory uncertainties. In this study, we propose EquiDiff, a deep generative model for predicting future vehicle trajectories. EquiDiff is based on the conditional diffusion model, which generates future trajectories by incorporating historical information and random Gaussian noise. The backbone model of EquiDiff is an SO(2)-equivariant transformer that fully utilizes the geometric properties of location coordinates. In addition, we employ Recurrent Neural Networks and Graph Attention Networks to extract social interactions from historical trajectories. To evaluate the performance of EquiDiff, we conduct extensive experiments on the NGSIM dataset. Our results demonstrate that EquiDiff outperforms other baseline models in short-term prediction, but has slightly higher errors for long-term prediction. Furthermore, we conduct an ablation study to investigate the contribution of each component of EquiDiff to the prediction accuracy. Additionally, we present a visualization of the generation process of our diffusion model, providing insights into the uncertainty of the prediction.

arxiv情報

著者 Kehua Chen,Xianda Chen,Zihan Yu,Meixin Zhu,Hai Yang
発行日 2023-08-12 13:17:09+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO パーマリンク