[DL輪読会]DIVERSE TRAJECTORY FORECASTING WITH DETERMINANTAL POINT PROCESSES

DEEP LEARNING JP [DL Papers] DIVERSE TRAJECTORY FORECASTING WITH DETERMINANTAL POINT PROCESSES Akitoshi Kimura, Shimizu Lab, Waseda University http://deeplearning.jp/ 1

• http://deeplearning.jp/

書誌情報 • 著者: – Ye Yuan, – Kris M. Kitani • Robotics Institute, Carnegie Mellon University • 学会: – ICLR 2020, Accept (Poster) 2

概要 • エージェントの多様な将来の挙動を予測する能力が, safetycritical な知覚システムにおいては重要. – 自動運転システムにおける歩行者の挙動予測 • VAE などでは, 生成された分布からのサンプルが, 主要なモー ドの近くに集中する. • 多様な将来の挙動を生成する, diversity sampling function (DSF) を提案. • 将来の挙動の多様性を評価するために, determinantal point process (DPP) に基づいて評価. 3

軌道予測の図 4

背景: Variational Autoencoders • 対数尤度: • ELBO: – data sample: • e.g., a future trajectory – latent code: – recognition model (encoder): – likelihood model (decoder): – prior: 5

背景: Determinantal Point Processes – a set of items (e.g., data points): – Ground set 上の point process は 上の確率測度 • Determinantal point process – – DPP kernel: • • : の成分で添え字づけられた の部分行列 – Similarity matrix: – Quality vector: 6

cVAE for future trajectories – Context: • Past trajectories: • Side information: • cVAE においても ELBO の最適化 – – – • encoder network • decoder network の出力: の出力: 7

DSF • DSF : – Input: – Output: • で • DPP kernel は を対応. で定める. – – • Diversity loss は –( で定める. ではない) 8

DSF の学習アルゴリズム 9

Metrix • 実際のデータでは, 過去の軌跡と将来の軌跡は一対一対応. • 一方, 図にあるように別の組み合わせの軌跡を取り得る. • の代わりに, future trajectory set に対して議論. 10

Metrix – Ground truth future trajectory: – closest sample in the forecasted set of trajectories • Average Displacement Error (ADE): と の間の average mean square error (MSE) • Final Displacement Error (FDE): と の間の MSE • Average Self Distance (ASD): と の間の average L2 distance • Final Self Distance (FSD): と の間の L2 distance 11

SYNTHETIC 2D TRAJECTORY DATA 12

SYNTHETIC 2D TRAJECTORY DATA 13

DIVERSE HUMAN MOTION FORECASTING 14

DIVERSE HUMAN MOTION FORECASTING 15

ADE vs. N 16

ADDITIONAL EXPERIMENTS WITH DIVERSITY-BASED BASELINES 17