多智能体轨迹预测中的协作不确定性
计算机视觉与模式识别
2021-10-28 v1 机器学习
摘要
不确定性建模在轨迹预测系统中至关重要，无论出于解释性还是安全性考量。为更好预测多个智能体的未来轨迹，近期工作引入了交互模块以捕捉智能体间交互。该方法导致预测轨迹间存在相关性。然而，此类相关性带来的不确定性被忽视了。为填补此空白，我们提出一个新概念——协作不确定性（CU），其对交互模块引发的不确定性建模。我们构建了一个通用的基于 CU 的框架，使预测模型学习未来轨迹及相应不确定性。该基于 CU 的框架作为插件模块集成至当前最先进（SOTA）系统，并基于多元高斯与拉普拉斯分布部署于两种特例。每种情况下，我们在两个合成数据集与两个公开的轨迹预测大规模基准上进行了充分实验。结果令人鼓舞：1）合成数据集结果显示基于 CU 的框架使模型能恰当逼近真实分布。2）轨迹预测基准结果表明基于 CU 的框架稳定助力 SOTA 系统提升性能；尤其，所提基于 CU 的框架在 nuScenes 数据集上帮助 VectorNet 将最终位移误差改善 57cm。3）CU 的可视化结果表明，CU 的值与智能体间交互信息量高度相关。
引用
@article{arxiv.2110.13947,
title = {Collaborative Uncertainty in Multi-Agent Trajectory Forecasting},
author = {Bohan Tang and Yiqi Zhong and Ulrich Neumann and Gang Wang and Ya Zhang and Siheng Chen},
journal= {arXiv preprint arXiv:2110.13947},
year = {2021}
}
备注
This paper has been accepted by NeurIPS 2021