GATraj: A Graph- and Attention-based Multi-Agent Trajectory Prediction Model

要約

軌道予測は、自動運転やロボット ナビゲーションなどのインテリジェント システムにおける長年の課題でした。
大規模なベンチマークでトレーニングされた最近の最先端のモデルは、主に予測精度の向上に重点を置いて、パフォーマンスの限界を急速に押し上げています。
ただし、これらのモデルは、リアルタイム アプリケーションにとって重要な効率性をあまり重視していません。
この論文では、はるかに高速な予測速度を持つ GATraj という名前の注意ベースのグラフ モデルを提案します。
歩行者や車両などのエージェントの時空間ダイナミクスは、注意メカニズムによってモデル化されます。
エージェント間の相互作用は、グラフ畳み込みネットワークによってモデル化されます。
また、ラプラシアン混合デコーダーを実装して、モードの崩壊を軽減し、各エージェントの多様なマルチモーダル予測を生成します。
私たちのモデルは、複数のオープン データセットでテストされたはるかに高速な予測速度で、最先端のモデルと同等のパフォーマンスを達成します。

要約(オリジナル)

Trajectory prediction has been a long-standing problem in intelligent systems such as autonomous driving and robot navigation. Recent state-of-the-art models trained on large-scale benchmarks have been pushing the limit of performance rapidly, mainly focusing on improving prediction accuracy. However, those models put less emphasis on efficiency, which is critical for real-time applications. This paper proposes an attention-based graph model named GATraj with a much higher prediction speed. Spatial-temporal dynamics of agents, e.g., pedestrians or vehicles, are modeled by attention mechanisms. Interactions among agents are modeled by a graph convolutional network. We also implement a Laplacian mixture decoder to mitigate mode collapse and generate diverse multimodal predictions for each agent. Our model achieves performance on par with the state-of-the-art models at a much higher prediction speed tested on multiple open datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google