想象前路：基于可微仿真的多智能体轨迹预测
机器学习
2021-04-23 v1 机器学习
摘要
我们开发了一种构建于全可微仿真器之上的深度生成模型，用于多智能体轨迹预测。智能体由条件循环变分神经网络（CVRNN）建模，其以表示当前世界状态的以自我为中心的鸟瞰图像作为输入，并输出由转向与加速组成的动作，该动作通过运动学自行车模型推导后续智能体状态。随后对每个智能体可微地渲染完整仿真状态，开启下一时间步。我们在INTERACTION数据集上取得了最先进的结果，使用标准神经架构与标准变分训练目标，无需任何特设的多样性诱导损失即可生成真实的多模态预测。我们进行了消融实验以检验仿真器的各个组件，发现运动学自行车模型与来自鸟瞰图像的连续反馈对于达到此性能水平均至关重要。我们将模型命名为ITRA，意为“想象前路”（Imagining the Road Ahead）。
引用
@article{arxiv.2104.11212,
title = {Imagining The Road Ahead: Multi-Agent Trajectory Prediction via Differentiable Simulation},
author = {Adam Scibior and Vasileios Lioutas and Daniele Reda and Peyman Bateni and Frank Wood},
journal= {arXiv preprint arXiv:2104.11212},
year = {2021}
}
备注
10 pages, 8 figures