ADAPT: Efficient Multi-Agent Trajectory Prediction with Adaptation

要約

複雑な交通シーンにおけるエージェントの将来の軌跡を予測するには、シーン内のすべてのエージェントに対する信頼性の高い効率的な予測が必要です。
しかし、既存の軌道予測方法は非効率であるか、精度が犠牲になっています。
この課題に対処するために、動的重み学習を使用してシーン内のすべてのエージェントの軌道を共同で予測する新しいアプローチである ADAPT を提案します。
私たちのアプローチは、Argoverse および Interaction データセットのシングル エージェント設定とマルチ エージェント設定の両方で、計算オーバーヘッドをわずかに抑えながら、最先端の手法よりも優れたパフォーマンスを発揮します。
パフォーマンスの向上は、まずアダプティブ ヘッドによってモデルのサイズを増やすことなくモデルの容量が増加したためです。
2 つ目は、勾配停止によって強化された、エンドポイント条件付き予測における設計上の選択です。
私たちの分析は、ADAPT が適応予測によって各エージェントに焦点を当て、効率的に正確な予測を可能にすることを示しています。
https://KUIS-AI.github.io/adapt

要約(オリジナル)

Forecasting future trajectories of agents in complex traffic scenes requires reliable and efficient predictions for all agents in the scene. However, existing methods for trajectory prediction are either inefficient or sacrifice accuracy. To address this challenge, we propose ADAPT, a novel approach for jointly predicting the trajectories of all agents in the scene with dynamic weight learning. Our approach outperforms state-of-the-art methods in both single-agent and multi-agent settings on the Argoverse and Interaction datasets, with a fraction of their computational overhead. We attribute the improvement in our performance: first, to the adaptive head augmenting the model capacity without increasing the model size; second, to our design choices in the endpoint-conditioned prediction, reinforced by gradient stopping. Our analyses show that ADAPT can focus on each agent with adaptive prediction, allowing for accurate predictions efficiently. https://KUIS-AI.github.io/adapt

arxiv情報

提供元, 利用サービス

arxiv.jp, Google