基于 Braid 理论的未来交互感知轨迹预测

为了安全运行，自动驾驶车辆必须了解周围 potentially high number of interacting agents 的未来行为，这通常被建模为多智能体轨迹预测。许多之前的尝试要么添加大量计算要求，要么依赖于用于标记 multi-agent 行为类型的启发式方法。相比之下，Braid 理论提供了对 multi-agent 行为的强大的 exact 描述符，通过将未来轨迹投影到 braids 中来表达轨迹如何随时间相互交叉；braid 则对应于多个 agents 未来特定的协调模式。在过去的工作中，braids 被用于轻度推理关于 interacting agents 的知识并限制 predicted agents 的注意力窗口。我们展示，通过更充分地利用 braid 表示的 expressivity 并用它来条件化轨迹本身，能够在训练或推理时间几乎没有额外复杂度的情况下获得进一步的 joint 预测性能提升。我们通过提出一种 novel 的辅助任务——braid 预测——来实现这一点，这一任务与轨迹预测任务并行完成。通过将 agents 之间的 edges 分类为其在 braid 表示中正确的 crossing 类型，braid 预测任务能够为模型提供 improved social awareness，这在更贴近实际 multi-agent 行为的 joint 预测中得以体现。这种简单的辅助任务使我们能够在三个独立数据集上获得显著的 joint 指标改进。我们展示，braid 预测任务为模型注入了 future intention awareness，导致更准确的 joint 预测。代码可在 github.com/caiocj1/traj-pred-braid-theory 获取。