Probabilistic Symmetry for Multi-Agent Dynamics

要約

マルチエージェントダイナミクスの学習は、ロボット工学や自動運転の幅広い用途に関わる AI の中核的な問題です。
既存の研究のほとんどは決定論的予測に焦点を当てていますが、不確実性を定量化し、リスクを評価するための確率論的予測を作成することは、動作計画や衝突回避などの下流の意思決定タスクにとって重要です。
マルチエージェントのダイナミクスには内部対称性が含まれることがよくあります。
対称性、特に回転等分散を活用することで、予測精度だけでなく不確かさのキャリブレーションも向上させることができます。
確率的予測を評価するための適切なスコアリング ルールであるエネルギー スコアを導入します。
我々は、マルチエージェントの軌跡を確率的に予測するための新しいディープダイナミクスモデルである確率的等変連続コンボリューション（PECCO）を提案します。
PECCO は、等変連続畳み込みを拡張して、複数のエージェントの関節速度分布をモデル化します。
力学積分を使用して、不確実性を速度から位置に伝播します。
合成データセットと現実世界のデータセットの両方で、PECCO は非等変ベースラインと比較して精度とキャリブレーションが大幅に向上していることを示しています。

要約(オリジナル)

Learning multi-agent dynamics is a core AI problem with broad applications in robotics and autonomous driving. While most existing works focus on deterministic prediction, producing probabilistic forecasts to quantify uncertainty and assess risks is critical for downstream decision-making tasks such as motion planning and collision avoidance. Multi-agent dynamics often contains internal symmetry. By leveraging symmetry, specifically rotation equivariance, we can improve not only the prediction accuracy but also uncertainty calibration. We introduce Energy Score, a proper scoring rule, to evaluate probabilistic predictions. We propose a novel deep dynamics model, Probabilistic Equivariant Continuous COnvolution (PECCO) for probabilistic prediction of multi-agent trajectories. PECCO extends equivariant continuous convolution to model the joint velocity distribution of multiple agents. It uses dynamics integration to propagate the uncertainty from velocity to position. On both synthetic and real-world datasets, PECCO shows significant improvements in accuracy and calibration compared to non-equivariant baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google