Improving Trajectory Prediction in Dynamic Multi-Agent Environment by Dropping Waypoints

要約

軌道は本質的に多様で不確実な性質を持っているため、軌道を正確にモデル化するのは非常に困難です。
動作予測システムは、エージェントの将来の軌道を予測するために、過去から空間的および時間的情報を効果的に学習する必要があります。
既存の手法の多くは、スタックされたモデル内の個別のコンポーネントを介して時間的な動きを学習し、時間的な特徴をキャプチャします。
さらに、予測手法は多くの場合、観測された軌道ウェイポイント シーケンスが完全であるという前提の下で動作し、そのパフォーマンスに影響を与える可能性がある欠損値が発生する可能性があるシナリオを無視します。
さらに、これらのモデルは、予測を行うときに特定のウェイポイント シーケンスに偏る可能性があります。
我々は、軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込む、Temporal Waypoint Dropping (TWD) と呼ばれる新しいアプローチを提案します。
過去に観測された軌道から確率的にウェイポイントを削除することにより、モデルは残りのウェイポイントから基礎となる時間表現を学習することを強制され、その結果モデルが改善されます。
確率的時間ウェイポイント ドロップをモデル学習プロセスに組み込むと、欠損値のあるシナリオでのパフォーマンスが大幅に向上します。
実験結果は、私たちのアプローチによる軌道予測能力の大幅な向上を示しています。
私たちのアプローチは、既存の軌道予測方法を補完して予測精度を向上させることができます。
提案したアプローチを NBA Sports VU、ETH-UCY、TrajNet++ の 3 つのデータセットで評価します。

要約(オリジナル)

The inherently diverse and uncertain nature of trajectories presents a formidable challenge in accurately modeling them. Motion prediction systems must effectively learn spatial and temporal information from the past to forecast the future trajectories of the agent. Many existing methods learn temporal motion via separate components within stacked models to capture temporal features. Furthermore, prediction methods often operate under the assumption that observed trajectory waypoint sequences are complete, disregarding scenarios where missing values may occur, which can influence their performance. Moreover, these models may be biased toward particular waypoint sequences when making predictions. We propose a novel approach called Temporal Waypoint Dropping (TWD) that explicitly incorporates temporal dependencies during the training of a trajectory prediction model. By stochastically dropping waypoints from past observed trajectories, the model is forced to learn the underlying temporal representation from the remaining waypoints, resulting in an improved model. Incorporating stochastic temporal waypoint dropping into the model learning process significantly enhances its performance in scenarios with missing values. Experimental results demonstrate our approach’s substantial improvement in trajectory prediction capabilities. Our approach can complement existing trajectory prediction methods to improve their prediction accuracy. We evaluate our proposed approach on three datasets: NBA Sports VU, ETH-UCY, and TrajNet++.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google