【Motion Forecasting】【摘要阅读】MotionDiffuser：Controllable Multi-Agent Motion Prediction using Diffusion

MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion

这项工作发布于2023年的ICCV，作者团队来自于Waymo。

Abstract

本文提出了MotionDiffuser，它使用扩散表示来对多个代理未来轨迹的联合概率分布进行建模。

这种表示方法具有以下优点：

1. 首先，本文提出的模型可以学习到高度多模态的概率分布，从而增加模型所预测未来轨迹的多样性；
2. 其次，本文所使用的简单模型设计只需要以$L2$损失作为训练目标，不依赖于轨迹锚点；
3. 再者，本文提出的模型可以以一种排列不变的方式学习到场景中多个代理运动的联合概率分布；

此外，本文方法通过PCA提出了一种紧致的轨迹表示，这种表示可以改进模型的性能，并可以高效地对所采样的对数概率分布进行计算。随后，本文提出了一个通用的约束采样框架，它可以基于可微的损失函数来受控地对轨迹进行采样。这种策略使得模型可以被施加运动规则或是运动先验，或是创建定制的模拟场景。

MotionDiffuser可以与现有的backbone组合，从而获取更好的运动预测结果。

MotionDiffuser在Waymo Open Motion Dataset的多代理运动预测任务上取得了SOTA水准的结果。

Contributions

• 本文提出了一种基于条件式扩散模型的多代理联合运动分布表示，它具有排列不变性；
• 本文提出了一种通用且灵活的框架，用于进行受控且受引导的轨迹采样，它是基于轨迹的任意可微代价函数来完成的，具有一系列新的应用；
• 本文提出了一种改进的轨迹表示方法，包括基于PCA的潜在轨迹扩散公式和改进的轨迹样本聚类算法，以进一步提高模型的性能。

Conclusion and Discussions

本文提出了MotionDiffuser，它是一种基于多代理运动预测框架的扩散模型，可以学习到多个代理多样且多模态的联合未来分布。

本文还提出了一种新颖的基于Transformer的集合去噪框架，它具有代理的排列不变性。

此外，本文提出了一个通用且灵活的受限采样框架，并引入了两种简单且有效的约束：attractor和repeller。

本文提出的方法在WOMD数据集的多代理运动预测任务上取得了SOTA水准的结果。

未来的工作是将基于扩散的生成模型应用到自动驾驶车辆的其它任务当中，比如运动规划以及场景生成。