Stochastic Trajectory Prediction under Unstructured Constraints

要約

軌道予測は効果的な計画と意思決定を促進し、制約された軌道予測は規制を予測に統合します。
制約された軌道予測の最近の進歩は、最適化目標を構築することにより、構造化された制約に焦点を当てています。
ただし、微分可能な正式な定義がないため、非構造化された制約を処理することは困難です。
これに対処するために、制御可能な軌道拡散（CTD）という名前の条件付き生成パラダイムを使用して、制約された軌道予測の新しい方法を提案します。
重要なアイデアは、軌道は制約への程度の適合性に対応することです。
この程度を定量化し、それを条件として扱うことにより、モデルは非構造化された制約の下で軌跡を予測することを暗黙的に学ぶことができます。
CTDは、事前に訓練されたスコアリングモデルを採用して適合度（つまり、スコア）の程度を予測し、条件付き拡散モデルの条件としてこのスコアを使用して軌道を生成します。
実験結果は、CTDがETH/UCYおよびSDDベンチマークで高い精度を達成することを示しています。
定性分析は、CTDが非構造化された制約の順守を保証し、組み合わせの制約を満たす軌跡を予測できることを確認しています。

要約(オリジナル)

Trajectory prediction facilitates effective planning and decision-making, while constrained trajectory prediction integrates regulation into prediction. Recent advances in constrained trajectory prediction focus on structured constraints by constructing optimization objectives. However, handling unstructured constraints is challenging due to the lack of differentiable formal definitions. To address this, we propose a novel method for constrained trajectory prediction using a conditional generative paradigm, named Controllable Trajectory Diffusion (CTD). The key idea is that any trajectory corresponds to a degree of conformity to a constraint. By quantifying this degree and treating it as a condition, a model can implicitly learn to predict trajectories under unstructured constraints. CTD employs a pre-trained scoring model to predict the degree of conformity (i.e., a score), and uses this score as a condition for a conditional diffusion model to generate trajectories. Experimental results demonstrate that CTD achieves high accuracy on the ETH/UCY and SDD benchmarks. Qualitative analysis confirms that CTD ensures adherence to unstructured constraints and can predict trajectories that satisfy combinatorial constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google