GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction

要約

自動運転の安全性を向上させるには、歩行者の軌跡を正確に予測することが重要です。
ただし、人間の動きには固有の確率性があるため、このタスクは一般に自明ではありません。当然のことながら、予測器はマルチモーダル予測を生成する必要があります。
これまでの研究では、GAN や VAE などのさまざまな生成手法を利用して歩行者の軌跡を予測していました。
それにもかかわらず、これらの方法ではモード崩壊や比較的低品質の結果が発生する可能性があります。
ノイズ除去拡散確率モデル (DDPM) は、そのシンプルなトレーニング プロセスと強力な再構成能力により、最近、軌道予測に適用されています。
ただし、現在の拡散ベースの方法は入力情報を完全には活用しておらず、通常は多くのノイズ除去の反復が必要であり、そのため長い推論時間や初期化のための追加ネットワークが必要になります。
これらの課題に対処し、マルチモーダル軌道予測における拡散モデルの使用を容易にするために、マルチモーダル軌道予測用のツリー サンプリングを備えた新しい目標誘導拡散モデルである GDTS を提案します。
人間の動作の「目標主導型」特性を考慮して、GDTS は目標推定を利用して拡散ネットワークの生成をガイドします。
2 段階のツリー サンプリング アルゴリズムが提示されており、共通の機能を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させます。
実験結果は、私たちが提案したフレームワークが、公開データセットにおいてリアルタイムの推論速度で同等の最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Accurate prediction of pedestrian trajectories is crucial for improving the safety of autonomous driving. However, this task is generally nontrivial due to the inherent stochasticity of human motion, which naturally requires the predictor to generate multi-modal prediction. Previous works leverage various generative methods, such as GAN and VAE, for pedestrian trajectory prediction. Nevertheless, these methods may suffer from mode collapse and relatively low-quality results. The denoising diffusion probabilistic model (DDPM) has recently been applied to trajectory prediction due to its simple training process and powerful reconstruction ability. However, current diffusion-based methods do not fully utilize input information and usually require many denoising iterations that lead to a long inference time or an additional network for initialization. To address these challenges and facilitate the use of diffusion models in multi-modal trajectory prediction, we propose GDTS, a novel Goal-Guided Diffusion Model with Tree Sampling for multi-modal trajectory prediction. Considering the ‘goal-driven’ characteristics of human motion, GDTS leverages goal estimation to guide the generation of the diffusion network. A two-stage tree sampling algorithm is presented, which leverages common features to reduce the inference time and improve accuracy for multi-modal prediction. Experimental results demonstrate that our proposed framework achieves comparable state-of-the-art performance with real-time inference speed in public datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google