协作不确定性助力多智能体多模态轨迹预测
计算机视觉与模式识别
2025-03-12 v2 机器学习
摘要
在多模态多智能体轨迹预测中，两个主要挑战尚未被充分解决：1）如何度量由交互模块引起的多个智能体预测轨迹间相关性的不确定性；2）如何对多候选预测排序并选择最优预测轨迹。为应对这些挑战，本工作首先提出一个新概念——协作不确定性（CU），其对交互模块导致的不确定性建模。随后我们构建了一个通用CU感知回归框架，带有原始置换等变不确定性估计器，以同时完成回归与不确定性估计任务。进一步，我们将所提框架作为插件模块应用于当前SOTA多智能体多模态预测系统，使SOTA系统能够：1）估计多智能体多模态轨迹预测任务中的不确定性；2）基于估计的不确定性对多候选预测排序并选择最优者。我们在合成数据集与两个公开大规模多智能体轨迹预测基准上进行了广泛实验。实验表明：1）在合成数据集上，CU感知回归框架使模型能恰当逼近真值Laplace分布；2）在多智能体轨迹预测基准上，CU感知回归框架稳定地帮助SOTA系统提升性能，具体而言，所提框架在nuScenes数据集上帮助VectorNet在其所选最优预测的终点位移误差上提升262 cm；3）对于多智能体多模态轨迹预测系统，预测不确定性与未来随机性正相关；4）估计的CU值与智能体间交互信息高度相关。
引用
@article{arxiv.2207.05195,
title = {Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting},
author = {Bohan Tang and Yiqi Zhong and Chenxin Xu and Wei-Tao Wu and Ulrich Neumann and Yanfeng Wang and Ya Zhang and Siheng Chen},
journal= {arXiv preprint arXiv:2207.05195},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2110.13947