Trajectory Entropy: Modeling Game State Stability from Multimodality Trajectory Prediction

要約

エージェント間の複雑な相互作用は、実際のシナリオでの自律運転に大きな課題を提示します。
最近、有望なアプローチが登場し、レベルKゲームフレームワークとしてのエージェントとの相互作用を策定します。
階層的なゲームレベルでエージェントポリシーを効果的に切り離します。
ただし、このフレームワークは、エージェント間のさまざまな駆動複雑さと、ゲームレベル全体でエージェント状態の動的な変化の両方を無視し、代わりにそれらを均一に扱います。
その結果、このフレームワークに冗長でエラーが発生しやすい計算が導入されます。
この問題に取り組むために、このペーパーでは、軌跡エントロピーと呼ばれるメトリックを提案し、Level-Kゲームフレームワーク内のエージェントのゲームステータスを明らかにします。
重要な洞察は、エージェントポリシーの不確実性と関連する運転の複雑さの間の継承関係を認識することに起因しています。
具体的には、軌道エントロピーは、ゲーム内のエージェントのマルチモダリティ軌道予測結果からの不確実性を表す統計的信号を抽出します。
次に、この信号の信号対雑音比を使用して、エージェントのゲームステータスを定量化します。
提案されている軌跡エントロピーに基づいて、単純なゲーティングメカニズムを介して現在のLevel-Kゲームフレームワークを改良し、計算コストを削減しながら全体的な精度を大幅に改善します。
私たちの方法は、軌道予測、オープンループ、閉ループ計画タスクの観点から、WAYMOおよびNuplanデータセットで評価されます。
結果は、当社の方法の最先端のパフォーマンスを示しており、予測では精度が最大19.89％、計画では最大16.48％改善されました。

要約(オリジナル)

Complex interactions among agents present a significant challenge for autonomous driving in real-world scenarios. Recently, a promising approach has emerged, which formulates the interactions of agents as a level-k game framework. It effectively decouples agent policies by hierarchical game levels. However, this framework ignores both the varying driving complexities among agents and the dynamic changes in agent states across game levels, instead treating them uniformly. Consequently, redundant and error-prone computations are introduced into this framework. To tackle the issue, this paper proposes a metric, termed as Trajectory Entropy, to reveal the game status of agents within the level-k game framework. The key insight stems from recognizing the inherit relationship between agent policy uncertainty and the associated driving complexity. Specifically, Trajectory Entropy extracts statistical signals representing uncertainty from the multimodality trajectory prediction results of agents in the game. Then, the signal-to-noise ratio of this signal is utilized to quantify the game status of agents. Based on the proposed Trajectory Entropy, we refine the current level-k game framework through a simple gating mechanism, significantly improving overall accuracy while reducing computational costs. Our method is evaluated on the Waymo and nuPlan datasets, in terms of trajectory prediction, open-loop and closed-loop planning tasks. The results demonstrate the state-of-the-art performance of our method, with precision improved by up to 19.89% for prediction and up to 16.48% for planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google