GameFormer: Game-theoretic Modeling and Learning of Transformer-based Interactive Prediction and Planning for Autonomous Driving

要約

複雑な現実世界の環境で動作する自動運転車には、交通参加者間のインタラクティブな行動を正確に予測する必要があります。
既存の研究では、過去の軌跡に基づいてエージェントの相互作用をモデル化することに重点が置かれていますが、将来の相互作用はしばしば無視されます。
この論文では、相互作用予測問題を階層的なゲーム理論で定式化し、それを実装する GameFormer フレームワークを提案することで対処します。
具体的には、前のレベルからの予測結果と共通の環境背景を使用して対話プロセスを繰り返し改良する、新しい Transformer デコーダー構造を提示します。
さらに、現在のレベルでのエージェントの行動を調整して、最後のレベルからの他のエージェントの行動に応答する学習プロセスを提案します。
大規模な実世界の運転データセットでの実験を通じて、モデルが相互作用予測タスクで最先端の予測精度を達成できることを実証します。
また、オープン ループとクローズド ループの両方の計画テストでエゴ エージェントの動作計画と他のエージェントの行動について共同で推論するモデルの機能を検証し、さまざまなベースライン メソッドよりも優れています。

要約(オリジナル)

Autonomous vehicles operating in complex real-world environments require accurate predictions of interactive behaviors between traffic participants. While existing works focus on modeling agent interactions based on their past trajectories, their future interactions are often ignored. This paper addresses the interaction prediction problem by formulating it with hierarchical game theory and proposing the GameFormer framework to implement it. Specifically, we present a novel Transformer decoder structure that uses the prediction results from the previous level together with the common environment background to iteratively refine the interaction process. Moreover, we propose a learning process that regulates an agent’s behavior at the current level to respond to other agents’ behaviors from the last level. Through experiments on a large-scale real-world driving dataset, we demonstrate that our model can achieve state-of-the-art prediction accuracy on the interaction prediction task. We also validate the model’s capability to jointly reason about the ego agent’s motion plans and other agents’ behaviors in both open-loop and closed-loop planning tests, outperforming a variety of baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google