ICLR 2022: Scene Transformer: A unified architecture for predicting future trajectories of multiple agents
Type: ICLR
Year: 2022
組織: waymo
-
參考與前言
- openreivew
https://openreview.net/forum?id=Wm3EA5OlHsG
Scene Transformer: A unified architecture for predicting multiple agent trajectories
1. Motivation
主要受語言模型方法 language modeling approach 啟發而來
問題場景
任務：多agent的軌跡預測問題
難點：因為agent本身行為的多樣性 （diverse），加之對彼此軌跡的影響（influence）
之前工作主要聚焦在根據過去動作預測 單獨 agent的未來軌跡，然后根據各自的預測來進行規划；但是呢 independent predictions 並不利於表示未來狀態下 不同agent之間的交互問題，從而引申規划時也是sub-optimal的軌跡
- marginal prediction：未來時刻 不同agent預測的軌跡可能會有沖突部分，即兩者相交
- joint prediction：在同一未來時刻，不同agent的預測軌跡不會沖突， respect each others’ prediction
Contribution
formulate a model 去同時(jointly)預測所有的agent行為，producing consistent future 來解釋agent之間的行為
以下為原文，這個貢獻的格式和jjh說的TRO格式好像，名詞方法為主語
-
A novel, scene-centric approach that allows us to gracefully switch training the model to produce either marginal (independent) and joint agent predictions in a single feed-forward pass.
僅在單個feed-forward中進行marginal和joint prediction之間的切換
-
A permutation equivariant Transformer-based architecture factored over agents, time, and road graph elements that exploits the inherent symmetries of the problem.
使用與 transformer 相同(等價)的permutation 來將agents, time和road graph都考慮在系統內
-
A masked sequence modeling approach that enables us to condition on hypothetical agent futures at inference time, enabling conditional motion prediction or goal conditioned prediction.
masked sequence modeling 能使我們將未來考慮在內，時間意義上
問題區：
-
Through combining a scene-centric approach, agent permutation equivariant model, and a sequence masking strategy
-
后面介紹部分解釋了，見前面解釋
-
方法處說明了 是不同的任務之間都可以用這一個網絡進行，主要任務是：motion prediction、conditional motion prediction、goal-conditioned prediction
-
方法中有具體介紹，靜止的road graph用feature vector形式，動態的比如紅綠燈是one feature vector per object形式
-
mask的原因其實是切換... The approach is flexible, enabling us to simultaneously train a single model for MP, CMP, GCP.
2. Method
相關工作主要是圍繞，此處僅做簡單總結，主要是前情提要知識補充 可能能解答上面的問題
-
motion prediction框架：說明成功的模型大多都會考慮agent motion history和道路結構（包括lane, stop line, 紅綠燈等等）；
相關方式：
- 直接將輸入渲染為多通道的鳥瞰圖 top-down image，然后使用卷積，但是receptive field並不利於capturing spatially-distant intersection
- entity-centric approach：可以將agent的歷史狀態使用sequence modeling方式例如 RNN，進行編碼，其中將道路結構中 pose 信息和 semantic type 都編碼（比如以piecewise-linear segments）進入系統；使用如下方法將信息進行聚合：employ pooling, soft-attention, graph neural networks
-
scene-centric 和 agent-centric representation：主要是討論 representation encoding所用的框架
- 以scene-level 作為坐標系，rasterized top-down image，雖然能有效的表示world狀態在common的坐標系下，但是喪失了一些潛在的pose信息
- 以agent-coordinate 為坐標系，但是隨着agent數量上升 同時 交互的數量也會二次方上升。
后續說明 waymo的另一篇工作LaneGCN就是以agent為中心 但是實在global frame下做的。同時也不需要將場景表示成為圖像的形式
-
Representing multi-agent futures：主要是如何表示多agent的未來狀態，常用的有直接對每個agent的軌跡使用權重
問題區：
-
一個是representation，一個是以什么為中心進行
2.1 輸入與輸出
輸入
a feature for every agent at every time step
在模型中 是一個3d tensor，A 個 agents，每個里面有D個特征維度，在時間T steps，同時在每層layers中我們都想保持住這樣的size：\([A,T,D]\)
注意在decoder中有多的一個維度：F potential futures
輸出
an output for every agent at every time step
2.2 框架
整體模型名稱：scene transformer，一共有三個階段：
- 將agents和road graph embed到一個高維空間
- employ attention-based network 去 encode agents和road graph之間的交互
- 使用attention-based network 去 decode multiple future
mask
對於多任務的切換主要用mask來實現，如下圖所示，在做MP的時候時間維度上有mask被遮擋，但是如果是CMP則自身的motion提供未來時間內motion，GCP的話就是提供最遠時間T的AV motion
A. Scene-Centric Representation
此點主要是以什么為中心進行場景周圍信息的獲取，正如前面相關工作中提到的，此處以場景為中心 也就是使用 an agent of interest’s position 作為原點，對所有的road graph和agents進行編碼；以agent為中心的話，就是對每個agent分別進行以其為原點的計算
此步中細節步驟為：
- 為每個agent生成 time step內的feature，if time step is visible
- 使用 PointNet 為static road graph和其余的元素 learning one feature vecctor per polyline，其中交通標志 sign為長度為1的polylines
- 為dynamics road graph 比如在空間上是靜止的在時間上是變換的紅綠燈，生成為 one feature vector per object
所有的以上類別都具有xyz位置信息，以其選定好的agent作為居中，對剩余類別進行居中 旋轉等處理，再使用sinusoidal position embeddings
B. Encoding Ttansformer
和基本的attention並無太大區別，query, key, value為需要學習的線性層，每個都乘一下輸入 x，比如：\(Q=W_qx\)，如上圖的encoder和decoder框圖，其中decoder最后接了兩層MLP然后 predict 7 outputs，其中前六個對應的是：三個是在給定時間下的agent的三維與the agent of interest之間的絕對坐標，and 三個是不確定性 遵循Laplace 分布的參數。后一個是heading
為了尋求更高效的self-attention，僅在時間層上使模型獨立於agent進行平滑軌跡的學習，同樣的僅在agent層上使模型獨立於time進行interaction的之間的學習，類似於解耦，如上圖decoder部分下面，交替進行兩次
與road graph之間是cross attention
C. Predicting Probabilities for each Futures
預測的是概率分數，不論是joint里的每個未來的情況打分還是marginal model里對軌跡的打分。所以我們需要一個feature representation去總結 scene和each agent.
根據agent和time下 對agent feature tensor進行分別求和，然后加到additional artificial agent and time，所以internal representation就會變成 \([A+1,T+1,D]\)
然后作為decoder的輸入，經過兩層 MLP+softmax 得到等價的probabilities for each features
D. Joint and Marginal Loss Formulation
首先對於所有的agent都有一個displacement loss and time step to build a loss tensor of shape \([F]\)，但是我們僅將最接近於真值的進行back-propagate反向傳播；對於marginal的預測呢 則是每個agent都是單獨的對待，也就是得到了displacement loss是 \([F,A]\)，但是並不aggregate across agents而是為每個agent選取最小的loss然后反向
問題區：
-
有框圖解釋了兩者的設計方式
-
應該是數據集，所以可以直接獲取未來數據集內的motion進行此任務
-
-
腳注和open reivew中也有審稿人問了 hhh，腳注說明了 對於waymo是 自身車輛，對於Argoverse是需要預測的車輛
-
3. 實驗
指標為預測中場景的minADE, minFDE, miss rate和mAP，基本上都是用來測量 how close the top k trajectories are to ground truth observation，也就是預測的軌跡離真值有多近
- L2: A simple and common distance-based metric is to measure the L2 norm between a given trajectory and the ground truth
- minADE: reports the L2 norm of the trajectory with the minimal distance
- minFDE: reports the L2 norm of the trajectory with the smallest distance only evaluated at the final location of the trajectory.
本文所有的是MR, mAP，對於joint future則是scene-level下的minSADE, minSFDE, SMR
- miss rate (MR) and mean average precision (mAP) to capture how well a model predicts all of the future trajectories of agents probabilistically
主要就貼一下實驗表格等
場景分析圖：
指明不同的目標點，預測也會隨之變換，響應前文提出的switch task GCP
4. Conclusion
碎碎念
正如CJ哥所言：waymo必然不開源；但是吧 每個論文的附錄都特別仔細到 讓我這種小白菜覺得 哇 emm 似乎可以復現呢，但是這篇可能沒細看附錄的原因 有好幾個地方還是有點存疑的，hhhh。所以主要重點看看他們的框架是怎么搭的 更為重要，waymo三篇基本都是自己設計的網絡不走resnet或者regnet 有預訓練的參數。更多細節 要是感興趣的話 建議讀一下原文的附錄部分，網絡參數等都介紹的較為詳細
這一篇雖不及MP3驚艷，但似乎奠定了應該用vector的形式去做預測 類似於CJ哥在multipath++筆記中提到，vectornet有一統的趨勢。其實pointnet之類的在17年的就提出了 進來以pointnet → vectornet → 再到現在的一系列基本都是attention下的各種玩法
open review值得一看 還是這種開放審稿的有意思啊，因為有審稿人對GCP的結果說明產生了問題，類似於建議作者在CARLA做 就是以目標點的condition prediction其實已經很像planning了，基本就是 加一下控制器，然后作者謝謝提醒，我知道（內心OS:但是我不做hhhh）
另外貼一下 我在前面說的 online leaderboard 下 確實排名不高，不過按提交時間的話 就另說了
贈人點贊 手有余香 😆；正向回饋 才能更好開放記錄 hhh