【论文速递】Arxiv2019 - MultiPath：行为预测的多重概率锚点轨迹假设
【论文原文】：MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction
【作者信息】：Yuning Chai∗ Benjamin Sapp∗ Mayank Bansal Dragomir Anguelov
获取地址：https://arxiv.org/pdf/1910.05449.pdf
博主关键词： 运动规划，轨迹预测
推荐相关论文：
- 无
摘要：
预测人的行为是运动规划中一个困难而关键的任务。这在很大程度上具有挑战性，因为在自动驾驶等现实世界领域，可能出现的结果具有高度的不确定性和多模式集。除了单一的MAP轨迹预测[1,2]，获得未来的精确概率分布是一个积极关注的领域[3,4]。**我们提出了MultiPath，它利用了一组固定的未来状态序列锚，这些锚对应于轨迹分布的模式。**在推理中，我们的模型预测了锚点上的离散分布，并且对于每个锚点，回归锚点路径点的偏移量以及不确定性，在每个时间步中产生高斯混合。我们的模型是高效的，只需要一个正向推理通道就可以获得多模态未来分布，并且输出是参数的，允许紧凑的通信和分析概率查询。我们在几个数据集上表明，我们的模型实现了更准确的预测，与采样基线相比，这样做使用了数量级更少的轨迹。
简介：
我们专注于预测未来代理状态的问题，这是现实环境中机器人规划的关键任务。我们特别感兴趣的是为自动驾驶汽车解决这个问题，这是一种具有潜在巨大社会影响的应用。重要的是，预测该领域其他媒介的未来对于安全、舒适和高效的操作至关重要。例如，如果一辆车要在我们的机器人前面插队，知道是否要让路，或者什么时候是融入交通的最佳时间，这很重要。这样的未来预测需要理解静态和动态的世界环境:道路语义(例如，车道连通性，停车线)，红绿灯信息，以及其他智能体过去的观察，如图1所示。
Fig. 1. MultiPath估计一个场景中每个智能体在未来轨迹上的分布，如下所示:1)基于自上而下的场景表示，场景CNN提取中层特征，编码单个智能体的状态及其交互。2)对于场景中的每个智能体，我们裁剪一个以智能体为中心的中层特征表示视图，并预测K个预定义锚轨迹的固定集合的概率。3)对于每个锚点，模型回归锚点状态的偏移量和未来每个时间步的不确定性分布。
未来状态预测的一个基本方面是，它本质上是随机的，因为智能体无法知道彼此的动机。开车时，我们永远无法确定其他司机接下来会做什么，考虑多种结果及其可能性是很重要的。
我们寻求一种未来模型，它可以提供(1)一个加权的、简约的离散轨迹集，涵盖可能结果的空间，以及(2)任何轨迹的可能性的封闭评估。这两个属性使得在关键的规划用例中能够进行有效的推理，例如，对离散轨迹假设的类人反应(例如，屈服，跟随)，以及概率查询，例如在时空区域中碰撞的预期风险。
这两个属性都给建模带来了挑战。试图实现多样性和覆盖率的模型在训练过程中经常遭受模式崩溃[4,5,6]，而由于可能轨迹的空间随时间呈指数增长，难以进行可处理的概率推断。
**我们的多路径模型用一个关键的见解来解决这些问题:它使用一组固定的轨迹锚作为建模的基础。**这让我们可以分层地考虑随机不确定性:首先，意图不确定性捕获了代理打算做什么的不确定性，并被编码为一组锚轨迹上的分布。第二，给定一个意图，控制的不确定性代表我们对他们如何实现它的不确定性。我们假设控制不确定性在每个未来时间步[7]上呈正态分布，参数化后，其平均值对应于锚态的特定上下文偏移量，相关协方差捕获单模态任意不确定性[8]。图1展示了一个典型场景，其中给定场景上下文，有3种可能的意图，控制平均偏移量细化了道路几何，控制不确定性随时间直观地增长。
我们的轨迹锚点是通过无监督学习在状态序列空间中的训练数据中找到的模式。这些锚点为代理的粗粒度期货提供模板，可能对应于“变道”或“减速”等语义概念(尽管要清楚，我们在建模中没有使用任何语义概念)。
我们的完整模型在每个时间步预测一个高斯混合模型(GMM)，混合权重(意图分布)随时间固定。给定这样一个参数分布模型，我们可以直接评估任何未来轨迹的可能性，也有一个简单的方法来获得一个紧凑的、多样化的加权轨迹样本集:来自每个锚-意图的MAP样本。
我们的模型与过去流行的方法形成对比，过去的方法要么只提供单个MAP轨迹[1,2,9,10,11]，要么通过生成模型提供未加权的样本集[3,4,6,12,13,14,15]。当涉及到真实世界的应用时，例如自动驾驶汽车，基于样本的方法有许多缺点:(1)安全关键系统中的不确定性，(2)对近似误差的处理不好(例如，自动驾驶汽车)。“我必须抽取多少样本才能知道行人横穿马路的几率?”)，(3)没有简单的方法来对相关查询进行概率推断，例如计算一个时空区域的期望。
我们通过经验证明，我们的模型在合成和真实世界的预测数据集上发出的分布可以更好地预测观察到的结果:我们获得了比发出单模态参数分布的模型更高的可能性，这表明了在真实世界数据中多个锚点的重要性。我们还通过使用每个锚的MAP轨迹加权集来与基于抽样的方法进行比较，该方法在样本集指标上使用更少的样本更好地描述未来。
