Mixed Gaussian Flow for Diverse Trajectory Prediction

要約

既存の軌道予測研究は生成モデルを集中的に活用しています。
フローの正規化は、予測軌道の確率密度を導出するために可逆であるという利点を持つジャンルの 1 つです。
ただし、フローベースのモデルによる標準ガウスからのマッピングは、トレーニング データで過小評価されている動きの意図を無視して、複雑な軌道パターンを捕捉する能力を損ないます。
この問題を解決するために、混合ガウス事前分布を将来の軌道多様体に変換するフローベースのモデルを提案します。
このモデルは、多様な軌道パターンを生成する能力が向上していることを示しています。
また、各サブガウスを軌道の特定の部分空間に関連付けることにより、制御可能な動作意図を備えた将来の軌道を生成できます。
このような方法で、フローベースのモデルは、意図した多様体の最も尤度の高いものを単に求めることは推奨されなくなり、明示的な解釈可能性を備えた制御された多様体のファミリーを求めるようになります。
私たちが提案した方法は、生成された上位 M 個の候補でよく整列した軌道をサンプリングする定量的評価において最先端のパフォーマンスを示すことが実証されています。
また、多様で制御可能な、分布外の軌道を生成できることも実証します。
コードは https://github.com/mulplue/MGF で入手できます。

要約(オリジナル)

Existing trajectory prediction studies intensively leverage generative models. Normalizing flow is one of the genres with the advantage of being invertible to derive the probability density of predicted trajectories. However, mapping from a standard Gaussian by a flow-based model hurts the capacity to capture complicated patterns of trajectories, ignoring the under-represented motion intentions in the training data. To solve the problem, we propose a flow-based model to transform a mixed Gaussian prior into the future trajectory manifold. The model shows a better capacity for generating diverse trajectory patterns. Also, by associating each sub-Gaussian with a certain subspace of trajectories, we can generate future trajectories with controllable motion intentions. In such a fashion, the flow-based model is not encouraged to simply seek the most likelihood of the intended manifold anymore but a family of controlled manifolds with explicit interpretability. Our proposed method is demonstrated to show state-of-the-art performance in the quantitative evaluation of sampling well-aligned trajectories in top-M generated candidates. We also demonstrate that it can generate diverse, controllable, and out-of-distribution trajectories. Code is available at https://github.com/mulplue/MGF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google