IMR: 反復モード・ワールド重み付け回帰によるマルチエージェント軌道予測

マルチエージェント動作予測は、自動運転車が周囲の車両の意図を理解するために不可欠です。しかし、従来の予測ベースの手法（複数の軌道を生成する方法）とアンカーベースの手法（事前定義された固定経路に依存する方法）には、それぞれモード多様性と予測精度の面で限界がありました。予測ベースの手法は多くのモードを生成できる一方で、モード崩壊（モデルが少数の軌道しか出力しない現象）が発生しやすく、アンカーベースの手法は精度が高いものの、予測可能なモードが限られているため、複雑なシナリオにおける安全性評価の不十分さや行動のずれを引き起こす可能性があります。この問題に対処するため、研究者らはIMR（Iterative Mode-World Weighted Regression）という新しい手法を提案しました。IMRは、モード・ワールド重み付け回帰損失を導入し、訓練中にモード多様性と予測精度を同時に最適化します。具体的には、この損失関数は異なるモードの重要性を重み付けでバランスさせることで、モード崩壊を緩和しつつ、ワールドランキングとトップ1信頼度を向上させます。さらに、IMRは革新的な反復デコーダーアーキテクチャを採用しています。従来の一度で完全な軌道を生成する方法とは異なり、このデコーダーは再帰的に軌道をセグメントごとに生成し、各セグメントは前のセグメントに基づいて予測されます。これにより、軌道全体が徐々に洗練され、予測精度が大幅に向上します。実験結果は、IMRがArgoverse 2マルチエージェント動作予測ベンチマークで他の全ての手法を上回り、第1位を獲得したことを示しています。本研究はHonglin Wangらによって行われ、論文はarXiv（番号2607.05705）で公開されており、ロボティクス、人工知能、コンピュータビジョン、機械学習などの分野に関連しています。この研究は、自動運転の動作予測に信頼性の高いソリューションを提供するだけでなく、将来のスマート交通システムにおけるマルチエージェント協調行動予測の基盤を築くものです。