Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting

要約

マルチモーダルのマルチエージェント軌跡予測では、2つの主要な課題が完全に取り組まれていません。1）複数のエージェントの予測された軌跡間の相関を引き起こす相互作用モジュールによってもたらされる不確実性を測定する方法。
2）複数の予測をランク付けし、最適な予測軌道を選択する方法。
これらの課題に対処するために、この作業は最初に、相互作用モジュールから生じる不確実性をモデル化する新しい概念、共同不確実性（CU）を提案します。
次に、回帰と不確実性の推定の両方のタスクを実行するために、元の順列等式の不確実性推定器を備えた一般的なCUアウェア回帰フレームワークを構築します。
さらに、提案されたフレームワークを現在のSOTAマルチエージェントマルチモーダル予測システムにプラグインモジュールとして適用します。これにより、SOTAシステムが1）マルチエージェントマルチモーダル軌道予測タスクの不確実性を推定できます。
2）複数の予測をランク付けし、推定不確実性に基づいて最適な予測を選択します。
合成データセットと2つの公開大規模なマルチエージェント軌道予測ベンチマークで広範な実験を実施します。
実験では、次のことが示されています。1）合成データセットでは、Cu-Awareの回帰フレームワークにより、モデルはグラウンドトゥルースラプラスの分布を適切に近似できるようにします。
2）マルチエージェントの軌道予測ベンチマークでは、Cu-Awareの回帰フレームワークは、SOTAシステムがパフォーマンスを向上させるのを着実に支援します。
特に、提案されたフレームワークは、ヌスセンデータセットの選択された最適予測の最終的な変位誤差に関して、Vectornetが262 cmの改善を支援します。
3）マルチエージェントマルチモーダル軌跡予測システムの場合、予測の不確実性は将来の確率と正の相関があります。
4）推定CU値は、エージェント間のインタラクティブな情報に非常に関連しています。

要約(オリジナル)

In multi-modal multi-agent trajectory forecasting, two major challenges have not been fully tackled: 1) how to measure the uncertainty brought by the interaction module that causes correlations among the predicted trajectories of multiple agents; 2) how to rank the multiple predictions and select the optimal predicted trajectory. In order to handle these challenges, this work first proposes a novel concept, collaborative uncertainty (CU), which models the uncertainty resulting from interaction modules. Then we build a general CU-aware regression framework with an original permutation-equivariant uncertainty estimator to do both tasks of regression and uncertainty estimation. Further, we apply the proposed framework to current SOTA multi-agent multi-modal forecasting systems as a plugin module, which enables the SOTA systems to 1) estimate the uncertainty in the multi-agent multi-modal trajectory forecasting task; 2) rank the multiple predictions and select the optimal one based on the estimated uncertainty. We conduct extensive experiments on a synthetic dataset and two public large-scale multi-agent trajectory forecasting benchmarks. Experiments show that: 1) on the synthetic dataset, the CU-aware regression framework allows the model to appropriately approximate the ground-truth Laplace distribution; 2) on the multi-agent trajectory forecasting benchmarks, the CU-aware regression framework steadily helps SOTA systems improve their performances. Specially, the proposed framework helps VectorNet improve by 262 cm regarding the Final Displacement Error of the chosen optimal prediction on the nuScenes dataset; 3) for multi-agent multi-modal trajectory forecasting systems, prediction uncertainty is positively correlated with future stochasticity; and 4) the estimated CU values are highly related to the interactive information among agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google