要約
環境の効果的な理解と周囲の動的障害物の正確な軌道予測は、複雑なシナリオにおいて安全で高品質な意思決定、運動計画、制御を実現するため、自動運転車両や車輪駆動ロボットなどの知能システムにとって重要です。未来の不確実性の本質から、確定的な予測ではなく、確率論的な観点からの推論が望まれます。本稿では、データ分布を近似し、現実的で実行可能かつ多様な未来の軌道仮説をサンプリングできる条件付き生成ニューラルシステム（Conditional Generative Neural System: CGNS）を提案します。このシステムは、条件付き潜在空間学習と変分ダイバージェンス最小化の長所を組み合わせており、ソフトアテンションメカニズムを活用して静的なコンテキスト情報と相互作用情報を統合します。また、異なる微分可能なバリア関数を使用して深層ニューラルネットワークにソフト制約を取り入れる正則化手法も提案しています。これにより生成されたサンプルを実行可能な領域に規制し、押し込むことができます。提案したシステムは、歩行者の軌道予測用のいくつかの公開ベンチマークデータセットと自ら収集したラウンドアバウト自然走行データセットで評価されました。実験結果は、我々のモデルが予測精度に関して様々な基準手法よりも優れた性能を達成していることを示しています。