MultiPath: Mehrfache probabilistische Anker-Trajektorie-Hypothesen für die Verhaltensvorhersage

Die Vorhersage menschlichen Verhaltens ist eine schwierige und entscheidende Aufgabe für die Bewegungsplanung. Sie ist insbesondere aufgrund der hohen Unsicherheit und der multimodalen Natur möglicher zukünftiger Zustände in realen Anwendungsbereichen wie dem autonomen Fahren herausfordernd. Neben der Vorhersage einzelner, maximal a posteriori (MAP) Trajektorien ist die exakte Schätzung der zukünftigen Wahrscheinlichkeitsverteilung ein aktives Forschungsfeld. Wir stellen MultiPath vor, ein Modell, das eine feste Menge an zukünftigen Zustandssequenz-Anchors nutzt, die den Moden der Trajektorienverteilung entsprechen. Während der Inferenz prognostiziert unser Modell eine diskrete Verteilung über die Anchors und für jeden Anchor regressiert es Versatzwerte von den Anchor-Wegpunkten sowie Unsicherheiten, was zu einer Gaußschen Mischverteilung zu jedem Zeitpunkt führt. Unser Modell ist effizient, da es lediglich einen einzigen Vorwärtsdurchlauf benötigt, um multimodale zukünftige Verteilungen zu generieren, und die Ausgabe ist parametrisch, was eine kompakte Kommunikation und analytische probabilistische Abfragen ermöglicht. Wir zeigen an mehreren Datensätzen, dass unser Modell genauere Vorhersagen erzielt und im Vergleich zu Sampling-basierten Baselines dies mit einer Größenordnung weniger Trajektorien erreicht.