Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation

要約

拡散モデルは自律走行における共同軌道予測と制御可能な生成に有望であるが、非効率的な推論ステップと高い計算要求という課題に直面している。これらの課題に取り組むために、我々は最適ガウス拡散（Optimal Gaussian Diffusion: OGD）と推定クリーンマニホールド（Estimated Clean Manifold: ECM）ガイダンスを導入する。OGDは小さな拡散時間$T$に対して事前分布を最適化し、そこから逆拡散処理を開始する。ECMは推定されたクリーンマニフォールドに直接ガイダンス勾配を注入することで、ネットワーク全体にわたる大規模な勾配の逆伝播を排除する。我々の方法論は生成プロセスを効率化し、計算オーバーヘッドを削減した実用的なアプリケーションを可能にする。大規模なArgoverse 2データセットでの実験的検証により、我々のアプローチの優れた性能が実証され、自律走行のための計算効率的で高品質な共同軌道予測と制御可能な生成のための実行可能なソリューションが提供される。我々のプロジェクトのウェブページはhttps://yixiaowang7.github.io/OptTrajDiff_Page/。

要約(オリジナル)

Diffusion models are promising for joint trajectory prediction and controllable generation in autonomous driving, but they face challenges of inefficient inference steps and high computational demands. To tackle these challenges, we introduce Optimal Gaussian Diffusion (OGD) and Estimated Clean Manifold (ECM) Guidance. OGD optimizes the prior distribution for a small diffusion time $T$ and starts the reverse diffusion process from it. ECM directly injects guidance gradients to the estimated clean manifold, eliminating extensive gradient backpropagation throughout the network. Our methodology streamlines the generative process, enabling practical applications with reduced computational overhead. Experimental validation on the large-scale Argoverse 2 dataset demonstrates our approach’s superior performance, offering a viable solution for computationally efficient, high-quality joint trajectory prediction and controllable generation for autonomous driving. Our project webpage is at https://yixiaowang7.github.io/OptTrajDiff_Page/.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL