MotionDiffuser : Prédiction de mouvement multi-agent contrôlable par diffusion

MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion

June 5, 2023

Auteurs: Chiyu Max Jiang, Andre Cornman, Cheolho Park, Ben Sapp, Yin Zhou, Dragomir Anguelov

cs.AI

Résumé

Nous présentons MotionDiffuser, une représentation basée sur la diffusion pour la distribution conjointe des trajectoires futures de multiples agents. Une telle représentation présente plusieurs avantages clés : premièrement, notre modèle apprend une distribution hautement multimodale qui capture une diversité de résultats futurs. Deuxièmement, la conception simple du prédicteur ne nécessite qu'un seul objectif d'entraînement par perte L2 et ne dépend pas d'ancres de trajectoire. Troisièmement, notre modèle est capable d'apprendre la distribution conjointe du mouvement de plusieurs agents de manière invariante par permutation. De plus, nous utilisons une représentation compressée des trajectoires via l'ACP, ce qui améliore les performances du modèle et permet un calcul efficace de la probabilité logarithmique exacte des échantillons. Par la suite, nous proposons un cadre général d'échantillonnage contraint qui permet un échantillonnage contrôlé des trajectoires basé sur des fonctions de coût différentiables. Cette stratégie permet une multitude d'applications telles que l'application de règles et de préférences physiques, ou la création de scénarios de simulation sur mesure. MotionDiffuser peut être combiné avec des architectures de base existantes pour obtenir des résultats de pointe en prévision de mouvement. Nous obtenons des résultats de pointe pour la prédiction de mouvement multi-agent sur le jeu de données Waymo Open Motion.

English

We present MotionDiffuser, a diffusion based representation for the joint distribution of future trajectories over multiple agents. Such representation has several key advantages: first, our model learns a highly multimodal distribution that captures diverse future outcomes. Second, the simple predictor design requires only a single L2 loss training objective, and does not depend on trajectory anchors. Third, our model is capable of learning the joint distribution for the motion of multiple agents in a permutation-invariant manner. Furthermore, we utilize a compressed trajectory representation via PCA, which improves model performance and allows for efficient computation of the exact sample log probability. Subsequently, we propose a general constrained sampling framework that enables controlled trajectory sampling based on differentiable cost functions. This strategy enables a host of applications such as enforcing rules and physical priors, or creating tailored simulation scenarios. MotionDiffuser can be combined with existing backbone architectures to achieve top motion forecasting results. We obtain state-of-the-art results for multi-agent motion prediction on the Waymo Open Motion Dataset.