Fast and Accurate Multi-Agent Trajectory Prediction For Crowded Unknown Scenes

要約

この論文では、混雑した未知の環境におけるマルチエージェントの軌道予測の問題を研究します。
予測軌道を生成するために、新しいエネルギー関数最適化ベースのフレームワークが提案されています。
まず、新しいエネルギー関数が最適化を容易にするために設計されています。
次に、パラメータとエージェントの速度を計算するためのオンライン最適化パイプラインが開発されます。
このパイプラインでは、まず、オンラインでエージェントを分類するためのフレシェ距離に基づいた効率的なグループ分割方法を設計します。
次に、エネルギー関数における速度と重要なパラメーターの最適化を切り離す戦略が開発されます。そこでは、スラップスウォーム アルゴリズムと勾配降下アルゴリズムが統合され、最適化問題をより効率的に解決します。
第三に、エージェントの最適な目標を予測するための類似性に基づくリサンプル評価アルゴリズムを提案します。このアルゴリズムは、エージェントのターゲット移動方位として定義されます。これは、観察された状態に隠された情報を効果的に抽出し、トレーニングデータセットを介して事前にエージェントの目的地を学習することを回避します。
実験と比較研究により、予測精度と速度の点で提案手法の利点が検証されます。

要約(オリジナル)

This paper studies the problem of multi-agent trajectory prediction in crowded unknown environments. A novel energy function optimization-based framework is proposed to generate prediction trajectories. Firstly, a new energy function is designed for easier optimization. Secondly, an online optimization pipeline for calculating parameters and agents’ velocities is developed. In this pipeline, we first design an efficient group division method based on Frechet distance to classify agents online. Then the strategy on decoupling the optimization of velocities and critical parameters in the energy function is developed, where the the slap swarm algorithm and gradient descent algorithms are integrated to solve the optimization problems more efficiently. Thirdly, we propose a similarity-based resample evaluation algorithm to predict agents’ optimal goals, defined as the target-moving headings of agents, which effectively extracts hidden information in observed states and avoids learning agents’ destinations via the training dataset in advance. Experiments and comparison studies verify the advantages of the proposed method in terms of prediction accuracy and speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google