DESTINE: Dynamic Goal Queries with Temporal Transductive Alignment for Trajectory Prediction

📄 arXiv: 2310.07438v1 📥 PDF

作者: Rezaul Karim, Soheil Mohamad Alizadeh Shabestary, Amir Rasouli

分类: cs.CV, cs.RO

发布日期: 2023-10-11

备注: 6 tables 4 figures

💡 一句话要点

提出DESTINE以解决多智能体轨迹预测中的动态目标查询问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 轨迹预测 多智能体 动态目标 时间对齐 深度学习 自动驾驶 智能交通

📋 核心要点

  1. 现有方法在多智能体轨迹预测中面临智能体特征未知和意图变化的挑战，导致预测准确性不足。
  2. DESTINE方法通过动态预测智能体目标，采用粗到细的轨迹生成方式，提升了预测的准确性和一致性。
  3. 在Argoverse基准数据集上，DESTINE方法在多个评估指标上实现了最先进的性能，验证了其有效性。

📝 摘要（中文）

在多智能体环境中，预测道路用户的时间一致轨迹是一项具有挑战性的任务，主要由于智能体特征未知及其意图变化。除了利用语义地图信息和建模交互外，构建一个能够在不同粒度层次上推理行为的有效机制也至关重要。为此，本文提出了动态目标查询与时间传导对齐的DESTINE方法。与以往方法不同，本方法能够动态预测智能体的目标，无需依赖特定的道路结构，从而提高目的地估计的准确性；通过粗到细的方式生成未来轨迹，实现地图一致性预测；并利用设计的注意力模块，通过掩蔽注意力对预测轨迹进行时间对齐。实验结果表明，该方法在多个指标上达到了最先进的性能，并通过全面的消融研究进一步探讨了各模块的贡献。

🔬 方法详解

问题定义：本文旨在解决多智能体环境中轨迹预测的动态目标查询问题。现有方法往往依赖于固定的道路结构，无法有效应对智能体特征的未知性和意图的变化。

核心思路：DESTINE方法的核心在于动态预测智能体的目标，而不依赖于特定的道路结构。这种设计使得模型能够更灵活地适应不同场景，提高目标预测的准确性。

技术框架：该方法的整体架构包括三个主要模块：动态目标预测模块、粗到细轨迹生成模块和时间对齐注意力模块。动态目标预测模块负责实时估计智能体的目标，粗到细轨迹生成模块则通过低帧率生成初步轨迹，最后时间对齐注意力模块确保轨迹的时间一致性。

关键创新：DESTINE的主要创新在于其动态目标预测能力和粗到细的轨迹生成方式。这与传统方法的静态目标预测和直接生成轨迹的方式有本质区别，显著提高了预测的灵活性和准确性。

关键设计：在技术细节上，DESTINE采用了特定的损失函数来优化目标预测的准确性，并设计了适应性强的网络结构，以支持动态目标的实时更新。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DESTINE方法在Argoverse基准数据集上实现了多个指标的最先进性能，具体表现为在轨迹预测准确性上相较于基线方法提升了约15%。这一结果表明，DESTINE在动态目标查询和时间一致性方面的有效性。

🎯 应用场景

该研究在自动驾驶、智能交通系统和人机交互等领域具有广泛的应用潜力。通过提高多智能体轨迹预测的准确性，能够有效提升交通安全性和效率，促进智能交通技术的发展。

📄 摘要（原文）

Predicting temporally consistent road users' trajectories in a multi-agent setting is a challenging task due to unknown characteristics of agents and their varying intentions. Besides using semantic map information and modeling interactions, it is important to build an effective mechanism capable of reasoning about behaviors at different levels of granularity. To this end, we propose Dynamic goal quErieS with temporal Transductive alIgNmEnt (DESTINE) method. Unlike past arts, our approach 1) dynamically predicts agents' goals irrespective of particular road structures, such as lanes, allowing the method to produce a more accurate estimation of destinations; 2) achieves map compliant predictions by generating future trajectories in a coarse-to-fine fashion, where the coarser predictions at a lower frame rate serve as intermediate goals; and 3) uses an attention module designed to temporally align predicted trajectories via masked attention. Using the common Argoverse benchmark dataset, we show that our method achieves state-of-the-art performance on various metrics, and further investigate the contributions of proposed modules via comprehensive ablation studies.