TrajEvo: Designing Trajectory Prediction Heuristics via LLM-driven Evolution

要約

軌道予測は、特に社会的ロボット工学や自律的な車両ナビゲーションとしての分野で、人間の行動をモデル化する上で重要なタスクです。
手作りのルールに基づいた従来のヒューリスティックは、しばしば正確さを欠いていますが、最近提案されている深い学習アプローチは、計算コスト、説明可能性の欠如、および実際の採用を制限する一般化の問題に苦しんでいます。
この論文では、Trajevoを紹介します。Trajevoは、大規模な言語モデル（LLM）を活用して軌道予測ヒューリスティックを自動的に設計するフレームワークです。
Trajevoは、進化的アルゴリズムを採用して、過去の軌跡データから予測ヒューリスティックを生成および改善します。
人口の多様性と統計フィードバックループを促進するために、クロスジェネレーションエリートサンプリングを導入し、LLMが代替予測を分析できるようにします。
私たちの評価は、TrajevoがETH-usyデータセットの以前のヒューリスティック方法を上回ることを示しており、目に見えないSDDデータセットに一般化する際に、ヒューリスティックと深い学習方法の両方を著しく上回っています。
Trajevoは、高速で説明可能な、一般化可能な軌跡予測ヒューリスティックの自動設計に向けた最初のステップを表しています。
ソースコードを公開して、https://github.com/ai4co/trajevoで将来の研究を促進します。

要約(オリジナル)

Trajectory prediction is a crucial task in modeling human behavior, especially in fields as social robotics and autonomous vehicle navigation. Traditional heuristics based on handcrafted rules often lack accuracy, while recently proposed deep learning approaches suffer from computational cost, lack of explainability, and generalization issues that limit their practical adoption. In this paper, we introduce TrajEvo, a framework that leverages Large Language Models (LLMs) to automatically design trajectory prediction heuristics. TrajEvo employs an evolutionary algorithm to generate and refine prediction heuristics from past trajectory data. We introduce a Cross-Generation Elite Sampling to promote population diversity and a Statistics Feedback Loop allowing the LLM to analyze alternative predictions. Our evaluations show TrajEvo outperforms previous heuristic methods on the ETH-UCY datasets, and remarkably outperforms both heuristics and deep learning methods when generalizing to the unseen SDD dataset. TrajEvo represents a first step toward automated design of fast, explainable, and generalizable trajectory prediction heuristics. We make our source code publicly available to foster future research at https://github.com/ai4co/trajevo.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google