Improving Trajectory Prediction in Dynamic Multi-Agent Environment by Dropping Waypoints

要約

軌道は本質的に多様で不確実な性質を持っているため、軌道を正確にモデル化するのは非常に困難です。
動作予測システムは、エージェントの将来の軌道を予測するために、過去から空間的および時間的情報を効果的に学習する必要があります。
既存の手法の多くは、スタックされたモデル内の個別のコンポーネントを介して時間的な動きを学習し、時間的な特徴をキャプチャします。
この論文では、ウェイポイント ドロップ技術を通じて明示的な時間学習を促進する、Temporal Waypoint Dropping (TWD) と呼ばれる新しいフレームワークを紹介します。
ウェイポイントのドロップによる学習により、モデルはエージェント間の時間的相関の理解を向上させることができ、その結果、軌道予測が大幅に強化されます。
軌道予測手法は多くの場合、観測された軌道ウェイポイント シーケンスが完全であるという前提の下で動作し、そのパフォーマンスに影響を与える可能性がある欠損値が発生する可能性がある現実のシナリオを無視します。
さらに、これらのモデルは、予測を行うときに特定のウェイポイント シーケンスに対する偏りを示すことがよくあります。
当社の TWD はこれらの問題に効果的に対処できます。
これには、時間的シーケンスに基づいてウェイポイントを戦略的にドロップすることで、予測される過去の軌道を規則化する確率的プロセスと固定プロセスが組み込まれています。
広範な実験を通じて、モデルにエージェント間の複雑な時間的相関を強制的に学習させる TWD の有効性を実証しました。
私たちのアプローチは、既存の軌道予測方法を補完して予測精度を向上させることができます。
また、NBA Sports VU、ETH-UCY、TrajNet++ の 3 つのデータセットにわたって、提案された手法を評価します。

要約(オリジナル)

The inherently diverse and uncertain nature of trajectories presents a formidable challenge in accurately modeling them. Motion prediction systems must effectively learn spatial and temporal information from the past to forecast the future trajectories of the agent. Many existing methods learn temporal motion via separate components within stacked models to capture temporal features. This paper introduces a novel framework, called Temporal Waypoint Dropping (TWD), that promotes explicit temporal learning through the waypoint dropping technique. Learning through waypoint dropping can compel the model to improve its understanding of temporal correlations among agents, thus leading to a significant enhancement in trajectory prediction. Trajectory prediction methods often operate under the assumption that observed trajectory waypoint sequences are complete, disregarding real-world scenarios where missing values may occur, which can influence their performance. Moreover, these models frequently exhibit a bias towards particular waypoint sequences when making predictions. Our TWD is capable of effectively addressing these issues. It incorporates stochastic and fixed processes that regularize projected past trajectories by strategically dropping waypoints based on temporal sequences. Through extensive experiments, we demonstrate the effectiveness of TWD in forcing the model to learn complex temporal correlations among agents. Our approach can complement existing trajectory prediction methods to enhance prediction accuracy. We also evaluate our proposed method across three datasets: NBA Sports VU, ETH-UCY, and TrajNet++.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google