FIMP: Future Interaction Modeling for Multi-Agent Motion Prediction

要約

マルチエージェントの動作予測は自動運転における重大な関心事ですが、動的エージェントの意図が曖昧であり、それらの複雑な相互作用のため、依然として課題が残っています。
既存の研究では、将来の情報は入手できず不確実性が高いため、履歴タイムステップの明確なデータを使用して道路エンティティ間の相互作用を捕捉しようと試みてきました。
ただし、相互作用するエージェントの将来の状態を把握するための十分なガイダンスがないと、非現実的な軌道の重複が頻繁に発生します。
この研究では、潜在的な将来のインタラクションをエンドツーエンドの方法で捕捉する、モーション予測のための将来インタラクション モデリング (FIMP) を提案します。
FIMP は、将来の可能性のある情報を中間特徴レベルで暗黙的に抽出する将来デコーダを採用し、将来のアフィニティ学習とトップ K フィルタリング戦略を通じて相互作用するエンティティのペアを識別します。
実験の結果、今後のインタラクション モデリングによりパフォーマンスが大幅に向上し、Argoverse モーション予測ベンチマークで優れたパフォーマンスが得られることがわかりました。

要約(オリジナル)

Multi-agent motion prediction is a crucial concern in autonomous driving, yet it remains a challenge owing to the ambiguous intentions of dynamic agents and their intricate interactions. Existing studies have attempted to capture interactions between road entities by using the definite data in history timesteps, as future information is not available and involves high uncertainty. However, without sufficient guidance for capturing future states of interacting agents, they frequently produce unrealistic trajectory overlaps. In this work, we propose Future Interaction modeling for Motion Prediction (FIMP), which captures potential future interactions in an end-to-end manner. FIMP adopts a future decoder that implicitly extracts the potential future information in an intermediate feature-level, and identifies the interacting entity pairs through future affinity learning and top-k filtering strategy. Experiments show that our future interaction modeling improves the performance remarkably, leading to superior performance on the Argoverse motion forecasting benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google