【论文阅读】ICLR 2022: Scene Transformer: A unified architecture for predicting future trajecto

ICLR 2022: Scene Transformer: A unified architecture for predicting future trajectories of multiple agents

Type: ICLR
Year: 2022
组织: waymo

• 参考与前言

  • openreivew

  https://openreview.net/forum?id=Wm3EA5OlHsG

  • pdf

  Scene Transformer: A unified architecture for predicting multiple agent trajectories

1. Motivation

主要受语言模型方法 language modeling approach 启发而来

问题场景

任务：多agent的轨迹预测问题

难点：因为agent本身行为的多样性 （diverse），加之对彼此轨迹的影响（influence）

之前工作主要聚焦在根据过去动作预测 单独 agent的未来轨迹，然后根据各自的预测来进行规划；但是呢 independent predictions 并不利于表示未来状态下 不同agent之间的交互问题，从而引申规划时也是sub-optimal的轨迹

• marginal prediction：未来时刻 不同agent预测的轨迹可能会有冲突部分，即两者相交
• joint prediction：在同一未来时刻，不同agent的预测轨迹不会冲突， respect each others’ prediction

Contribution

formulate a model 去同时(jointly)预测所有的agent行为，producing consistent future 来解释agent之间的行为

以下为原文，这个贡献的格式和jjh说的TRO格式好像，名词方法为主语

1. 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.

   仅在单个feed-forward中进行marginal和joint prediction之间的切换

2. A permutation equivariant Transformer-based architecture factored over agents, time, and road graph elements that exploits the inherent symmetries of the problem.

   使用与 transformer 相同(等价)的permutation 来将agents, time和road graph都考虑在系统内

3. 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 能使我们将未来考虑在内，时间意义上

---

问题区：

• 摘要的方法没看懂，三个一个都没看懂.... TBD阅读到后面在回答这个问题吧

  Through combining a scene-centric approach, agent permutation equivariant model, and a sequence masking strategy

  • 介绍中引入scene-centric说的是为了scaling to large numbers of agents，但是在贡献中却说的是切换？emmm 是数量大了就切换？小了就joint？

• 评估时为什么是marginal and joint motion predictions，后者可以理解，前者的marginal是什么预测？单独agent的预测与真值对比嘛？

  后面介绍部分解释了，见前面解释

• 为什么要切换 为什么[要切换](https://www.notion.so/ICLR-2022-Scene-Transformer-A-unified-architecture-for-predicting-future-trajectories-of-multiple--37a700f54efb4e4f87eee9f682c6a0d5)？直接整体进行joint prediction不是更好吗？

  方法处说明了 是不同的任务之间都可以用这一个网络进行，主要任务是：motion prediction、conditional motion prediction、goal-conditioned prediction

• transformer？attention 机制？考虑时形式以vector形式吗？

  方法中有具体介绍，静止的road graph用feature vector形式，动态的比如红绿灯是one feature vector per object形式

• 没看懂最后一条贡献，因为在第二条里已经说明了使用transform类似机制将time考虑进内，mask squence 建模原因有重复？

  • 是直接对未来的agent进行假设嘛？可能是前情提要知识缺的有点多，可能得套娃比较多

  mask的原因其实是切换... The approach is flexible, enabling us to simultaneously train a single model for MP, CMP, GCP.

• 如果有榜的话 不是第一，也可以称自己为state-of-art嘛？毕竟这篇在waymo online 排行榜中，排名挺后的

2. Method

相关工作主要是围绕，此处仅做简单总结，主要是前情提要知识补充 可能能解答上面的问题

• motion prediction框架：说明成功的模型大多都会考虑agent motion history和道路结构（包括lane, stop line, 红绿灯等等）；

  相关方式：

  • 直接将输入渲染为多通道的鸟瞰图 top-down image，然后使用卷积，但是receptive field并不利于capturing spatially-distant intersection
  • entity-centric approach：可以将agent的历史状态使用sequence modeling方式例如 RNN，进行编码，其中将道路结构中 pose 信息和 semantic type 都编码（比如以piecewise-linear segments）进入系统；使用如下方法将信息进行聚合：employ pooling, soft-attention, graph neural networks

• scene-centric 和 agent-centric representation：主要是讨论 representation encoding所用的框架

  • 以scene-level 作为坐标系，rasterized top-down image，虽然能有效的表示world状态在common的坐标系下，但是丧失了一些潜在的pose信息
  • 以agent-coordinate 为坐标系，但是随着agent数量上升 同时 交互的数量也会二次方上升。

  后续说明 waymo的另一篇工作LaneGCN就是以agent为中心 但是实在global frame下做的。同时也不需要将场景表示成为图像的形式

• Representing multi-agent futures：主要是如何表示多agent的未来状态，常用的有直接对每个agent的轨迹使用权重

---

问题区：

• 第二点提到的representation不就是第一点里面的相关方式嘛？感觉这篇文章好多地方有耦合 方法和方法之间的原因很像，为何不直接总结成一个？

  一个是representation，一个是以什么为中心进行

2.1 输入与输出

输入

a feature for every agent at every time step

在模型中 是一个3d tensor，A 个 agents，每个里面有D个特征维度，在时间T steps，同时在每层layers中我们都想保持住这样的size：\([A,T,D]\)

注意在decoder中有多的一个维度：F potential futures

输出

an output for every agent at every time step

2.2 框架

整体模型名称：scene transformer，一共有三个阶段：

1. 将agents和road graph embed到一个高维空间
2. employ attention-based network 去 encode agents和road graph之间的交互
3. 使用attention-based network 去 decode multiple future

mask

对于多任务的切换主要用mask来实现，如下图所示，在做MP的时候时间维度上有mask被遮挡，但是如果是CMP则自身的motion提供未来时间内motion，GCP的话就是提供最远时间T的AV motion

A. Scene-Centric Representation

此点主要是以什么为中心进行场景周围信息的获取，正如前面相关工作中提到的，此处以场景为中心 也就是使用 an agent of interest’s position 作为原点，对所有的road graph和agents进行编码；以agent为中心的话，就是对每个agent分别进行以其为原点的计算

此步中细节步骤为：

1. 为每个agent生成 time step内的feature，if time step is visible
2. 使用 PointNet 为static road graph和其余的元素 learning one feature vecctor per polyline，其中交通标志 sign为长度为1的polylines
3. 为dynamics road graph 比如在空间上是静止的在时间上是变换的红绿灯，生成为 one feature vector per object

所有的以上类别都具有xyz位置信息，以其选定好的agent作为居中，对剩余类别进行居中 旋转等处理，再使用sinusoidal position embeddings

B. Encoding Ttansformer

和基本的attention并无太大区别，query, key, value为需要学习的线性层，每个都乘一下输入 x，比如：\(Q=W_qx\)，如上图的encoder和decoder框图，其中decoder最后接了两层MLP然后 predict 7 outputs，其中前六个对应的是：三个是在给定时间下的agent的三维与the agent of interest之间的绝对坐标，and 三个是不确定性 遵循Laplace 分布的参数。后一个是heading

为了寻求更高效的self-attention，仅在时间层上使模型独立于agent进行平滑轨迹的学习，同样的仅在agent层上使模型独立于time进行interaction的之间的学习，类似于解耦，如上图decoder部分下面，交替进行两次

与road graph之间是cross attention

C. Predicting Probabilities for each Futures

预测的是概率分数，不论是joint里的每个未来的情况打分还是marginal model里对轨迹的打分。所以我们需要一个feature representation去总结 scene和each agent.

根据agent和time下 对agent feature tensor进行分别求和，然后加到additional artificial agent and time，所以internal representation就会变成 \([A+1,T+1,D]\)

然后作为decoder的输入，经过两层 MLP+softmax 得到等价的probabilities for each features

D. Joint and Marginal Loss Formulation

首先对于所有的agent都有一个displacement loss and time step to build a loss tensor of shape \([F]\)，但是我们仅将最接近于真值的进行back-propagate反向传播；对于marginal的预测呢 则是每个agent都是单独的对待，也就是得到了displacement loss是 \([F,A]\)，但是并不aggregate across agents而是为每个agent选取最小的loss然后反向

---

问题区：

• encode和decode都是一个attention-based network... 那

  有框图解释了两者的设计方式

• 这里的预计motion 是根据规划得到的吗？规划是deterministic的吗？还是直接针对的是数据集

  应该是数据集，所以可以直接获取未来数据集内的motion进行此任务

• an agent of interest’s position 是感兴趣的agent的位置吧... 为啥写的这么绕.. select an interest agent’s position不好吗...

  • 选择指标是？

    脚注和open reivew中也有审稿人问了 hhh，脚注说明了 对于waymo是 自身车辆，对于Argoverse是需要预测的车辆

• 这里的所有是指？ 这里的[所有是指？](https://www.notion.so/ICLR-2022-Scene-Transformer-A-unified-architecture-for-predicting-future-trajectories-of-multiple--37a700f54efb4e4f87eee9f682c6a0d5)所有？整张地图的道路结构？还是选取了以选择定的agent 画了框？

3. 实验

指标为预测中场景的minADE, minFDE, miss rate和mAP，基本上都是用来测量 how close the top k trajectories are to ground truth observation，也就是预测的轨迹离真值有多近

• 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，对于joint future则是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

主要就贴一下实验表格等

场景分析图：

指明不同的目标点，预测也会随之变换，响应前文提出的switch task GCP

4. Conclusion 碎碎念

正如CJ哥所言：waymo必然不开源；但是吧 每个论文的附录都特别仔细到 让我这种小白菜觉得 哇 emm 似乎可以复现呢，但是这篇可能没细看附录的原因 有好几个地方还是有点存疑的，hhhh。所以主要重点看看他们的框架是怎么搭的 更为重要，waymo三篇基本都是自己设计的网络不走resnet或者regnet 有预训练的参数。更多细节 要是感兴趣的话 建议读一下原文的附录部分，网络参数等都介绍的较为详细

这一篇虽不及MP3惊艳，但似乎奠定了应该用vector的形式去做预测 类似于CJ哥在multipath++笔记中提到，vectornet有一统的趋势。其实pointnet之类的在17年的就提出了 进来以pointnet → vectornet → 再到现在的一系列基本都是attention下的各种玩法

open review值得一看 还是这种开放审稿的有意思啊，因为有审稿人对GCP的结果说明产生了问题，类似于建议作者在CARLA做 就是以目标点的condition prediction其实已经很像planning了，基本就是 加一下控制器，然后作者谢谢提醒，我知道（内心OS:但是我不做hhhh）

另外贴一下 我在前面说的 online leaderboard 下 确实排名不高，不过按提交时间的话 就另说了

---

赠人点赞 手有余香