Annealed Winner-Takes-All for Motion Forecasting

要約

自律運転では、モーション予測は、近くのエージェントの将来の軌跡を予測することを目的としており、エゴ車両が行動を予測し、安全に運転するのを支援します。
重要な課題は、多様な将来の予測セットを生成することです。これは、多重選択学習（MCL）アーキテクチャと勝者のテイク（WTA）トレーニング目標を備えたデータ駆動型モデルを使用して一般的に対処されます。
ただし、これらの方法は、初期化の感度とトレーニングの不安定性に直面しています。
さらに、限られたパフォーマンスを補うために、いくつかのアプローチは、予測の数を大幅に削減するために、推論中に選択後のステップを必要とする大規模な仮説を使用したトレーニングに依存しています。
これらの問題に取り組むために、アニールされたMCLからインスピレーションを得ることができます。これは、アニールされた勝者のすべての損失（AWTA）を通じてMCLメソッドの収束特性を改善する最近導入された手法です。
この論文では、最小限の仮説のセットのみを使用してパフォーマンスを強化するために、AWTA損失を最先端のモーション予測モデルと統合する方法を示し、面倒な選択後のステップの必要性を排除します。
私たちのアプローチは、WTAを使用して通常トレーニングされる軌道予測モデルに簡単に組み込むことができ、大幅な改善をもたらします。
将来のモーション予測モデルへのアプローチの適用を容易にするために、コードは公開されています：https：//github.com/valeoai/mf_awta。

要約(オリジナル)

In autonomous driving, motion prediction aims at forecasting the future trajectories of nearby agents, helping the ego vehicle to anticipate behaviors and drive safely. A key challenge is generating a diverse set of future predictions, commonly addressed using data-driven models with Multiple Choice Learning (MCL) architectures and Winner-Takes-All (WTA) training objectives. However, these methods face initialization sensitivity and training instabilities. Additionally, to compensate for limited performance, some approaches rely on training with a large set of hypotheses, requiring a post-selection step during inference to significantly reduce the number of predictions. To tackle these issues, we take inspiration from annealed MCL, a recently introduced technique that improves the convergence properties of MCL methods through an annealed Winner-Takes-All loss (aWTA). In this paper, we demonstrate how the aWTA loss can be integrated with state-of-the-art motion forecasting models to enhance their performance using only a minimal set of hypotheses, eliminating the need for the cumbersome post-selection step. Our approach can be easily incorporated into any trajectory prediction model normally trained using WTA and yields significant improvements. To facilitate the application of our approach to future motion forecasting models, the code is made publicly available: https://github.com/valeoai/MF_aWTA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google