Enhancing Interaction Modeling with Agent Selection and Physical Coefficient for Trajectory Prediction

要約

ターゲット エージェントと周囲のエージェント間の相互作用を完全に理解することは、正確な軌道予測の前提条件です。
多くの方法が検討されていますが、それらはすべて純粋に学習ベースの方法で周囲のエージェントに相関係数を割り当てます。
この研究では、相互作用するエージェントを手動で選択し、注意スコアの代わりにそれらの相関関係を計算する ASPILin を紹介します。
驚くべきことに、これらの簡単な変更により、予測パフォーマンスが大幅に向上し、計算コストが大幅に削減されます。
さらに、ASPILin は、現在のタイム ステップでの相互作用エージェントのみをモデル化するのではなく、過去の各タイム ステップで相互作用するエージェントを個別にモデル化します。
これにより、ターゲット エージェントの歴史的軌跡の因果関係が明確になり、モデルが動的な相互作用をよりよく理解できるようになります。
マップのエンコードなど、他の側面でモデルを意図的に単純化しました。
注目すべきことに、INTERACTION、highD、CitySim データセットに対して行われた実験は、私たちの方法が効率的で簡単であり、他の最先端の方法よりも優れていることを示しています。

要約(オリジナル)

A thorough understanding of the interaction between the target agent and surrounding agents is a prerequisite for accurate trajectory prediction. Although many methods have been explored, they all assign correlation coefficients to surrounding agents in a purely learning-based manner. In this study, we present ASPILin, which manually selects interacting agents and calculates their correlations instead of attention scores. Surprisingly, these simple modifications can significantly improve prediction performance and substantially reduce computational costs. Additionally, ASPILin models the interacting agents at each past time step separately, rather than only modeling the interacting agents at the current time step. This clarifies the causal chain of the target agent’s historical trajectory and helps the model better understand dynamic interactions. We intentionally simplified our model in other aspects, such as map encoding. Remarkably, experiments conducted on the INTERACTION, highD, and CitySim datasets demonstrate that our method is efficient and straightforward, outperforming other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google