Trajectron++: Dynamisch-mögliche Trajektorien-Vorhersage mit heterogenen Daten

Die Modellierung menschlicher Bewegungen ist eine entscheidende Voraussetzung für sichere und sozial bewusste Navigation von Robotern. Daher ist die Vorhersage des Verhaltens mehrerer Agenten mittlerweile ein zentraler Bestandteil moderner mensch-roboter-Interaktionsysteme, beispielsweise autonomer Fahrzeuge. Obwohl zahlreiche Ansätze zur Trajektorienprognose existieren, berücksichtigen die meisten weder dynamische Einschränkungen noch Umgebungsinformationen (z. B. Karten). Um dieses Problem anzugehen, stellen wir Trajectron++ vor – ein modulares, graphenbasiertes rekurrentes Modell, das die Trajektorien einer beliebigen Anzahl unterschiedlicher Agenten vorhersagt, wobei sowohl Agentendynamik als auch heterogene Daten (z. B. semantische Karten) integriert werden. Trajectron++ ist speziell darauf ausgelegt, nahtlos in roboterorientierte Planungs- und Steuerungsframeworks integriert zu werden; beispielsweise können die Vorhersagen optional auf Bewegungspläne des eigenen Agenten (ego-agent) bedingt sein. Wir demonstrieren die Leistungsfähigkeit von Trajectron++ an mehreren anspruchsvollen Echtwelt-Datensätzen für Trajektorienprognose und zeigen, dass es eine Vielzahl von state-of-the-art-Methoden – sowohl deterministischer als auch generativer Art – übertrifft.