MotionDiffuser: Beheersbare Voorspelling van Multi-Agent Bewegingen met Diffusie

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

Samenvatting

We presenteren MotionDiffuser, een op diffusie gebaseerde representatie voor de gezamenlijke verdeling van toekomstige trajecten over meerdere agents. Deze representatie heeft verschillende belangrijke voordelen: ten eerste leert ons model een sterk multimodale verdeling die diverse toekomstige uitkomsten vastlegt. Ten tweede vereist het eenvoudige ontwerp van de voorspeller slechts één L2-verlies trainingsdoel en is het niet afhankelijk van trajectankers. Ten derde is ons model in staat om de gezamenlijke verdeling voor de beweging van meerdere agents op een permutatie-invariante manier te leren. Bovendien maken we gebruik van een gecomprimeerde trajectrepresentatie via PCA, wat de modelprestaties verbetert en efficiënte berekening van de exacte log-kans van de steekproef mogelijk maakt. Vervolgens stellen we een algemeen kader voor beperkte steekproefname voor dat gecontroleerde trajectsteekproefname mogelijk maakt op basis van differentieerbare kostenfuncties. Deze strategie maakt een reeks toepassingen mogelijk, zoals het handhaven van regels en fysieke priors, of het creëren van op maat gemaakte simulatioscenario's. MotionDiffuser kan worden gecombineerd met bestaande backbone-architecturen om topprestaties te behalen in trajectvoorspelling. We behalen state-of-the-art resultaten voor multi-agent trajectvoorspelling op de 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.