MotionDiffuser: Previsione del Movimento Multi-Agente Controllabile utilizzando la Diffusione

MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion

June 5, 2023

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

cs.AI

Abstract

Presentiamo MotionDiffuser, una rappresentazione basata su diffusione per la distribuzione congiunta delle traiettorie future di più agenti. Tale rappresentazione offre diversi vantaggi chiave: innanzitutto, il nostro modello apprende una distribuzione altamente multimodale che cattura esiti futuri diversificati. In secondo luogo, il design semplice del predittore richiede solo un singolo obiettivo di addestramento con perdita L2 e non dipende da ancoraggi di traiettoria. Terzo, il nostro modello è in grado di apprendere la distribuzione congiunta per il movimento di più agenti in modo invariante alle permutazioni. Inoltre, utilizziamo una rappresentazione compressa delle traiettorie tramite PCA, che migliora le prestazioni del modello e consente il calcolo efficiente della probabilità logaritmica esatta del campione. Successivamente, proponiamo un framework generale di campionamento vincolato che consente il campionamento controllato delle traiettorie basato su funzioni di costo differenziabili. Questa strategia abilita una serie di applicazioni come l'imposizione di regole e prior fisici o la creazione di scenari di simulazione personalizzati. MotionDiffuser può essere combinato con architetture di backbone esistenti per ottenere risultati all'avanguardia nella previsione del movimento. Otteniamo risultati di stato dell'arte per la previsione del movimento multi-agente sul Waymo Open Motion Dataset.

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.