MotionDiffuser: Previsão de Movimento Multiagente Controlável usando Difusão

MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion

June 5, 2023

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

cs.AI

Resumo

Apresentamos o MotionDiffuser, uma representação baseada em difusão para a distribuição conjunta de trajetórias futuras de múltiplos agentes. Essa representação possui várias vantagens principais: primeiro, nosso modelo aprende uma distribuição altamente multimodal que captura diversos resultados futuros. Segundo, o design simples do preditor requer apenas um objetivo de treinamento com perda L2 e não depende de âncoras de trajetória. Terceiro, nosso modelo é capaz de aprender a distribuição conjunta para o movimento de múltiplos agentes de maneira invariante a permutações. Além disso, utilizamos uma representação comprimida de trajetória via PCA, o que melhora o desempenho do modelo e permite o cálculo eficiente da probabilidade logarítmica exata da amostra. Posteriormente, propomos um framework geral de amostragem restrita que permite a amostragem controlada de trajetórias com base em funções de custo diferenciáveis. Essa estratégia possibilita uma série de aplicações, como a imposição de regras e prioridades físicas ou a criação de cenários de simulação personalizados. O MotionDiffuser pode ser combinado com arquiteturas de backbone existentes para alcançar resultados de previsão de movimento de ponta. Obtivemos resultados state-of-the-art para previsão de movimento multiagente no 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.