MotionDiffuser: Управляемое прогнозирование движения множества агентов с использованием диффузии

MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion

June 5, 2023

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

cs.AI

Аннотация

Мы представляем MotionDiffuser — диффузионное представление для совместного распределения будущих траекторий множества агентов. Такое представление имеет несколько ключевых преимуществ: во-первых, наша модель обучается на высоко мультимодальном распределении, которое охватывает разнообразные будущие исходы. Во-вторых, простая архитектура предсказателя требует только одного целевого показателя обучения — L2-потери — и не зависит от якорных траекторий. В-третьих, наша модель способна обучать совместное распределение для движения множества агентов в перестановочно-инвариантной манере. Кроме того, мы используем сжатое представление траекторий с помощью PCA, что улучшает производительность модели и позволяет эффективно вычислять точную логарифмическую вероятность выборки. Впоследствии мы предлагаем общую структуру ограниченной выборки, которая позволяет управлять выборкой траекторий на основе дифференцируемых функций стоимости. Эта стратегия открывает множество приложений, таких как наложение правил и физических априорных условий или создание специализированных сценариев симуляции. MotionDiffuser может быть интегрирован с существующими базовыми архитектурами для достижения наилучших результатов в прогнозировании движения. Мы получаем результаты, соответствующие современному уровню, в задаче прогнозирования движения множества агентов на наборе данных 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.