采用可更新且具区分度锚点的多模态运动预测研究

混合模型(Mixture Models)是一种强大的工具，能够有效表征多模态分布(Multimodality)。根据正组分(Positive Mixture Component)匹配方式，主流的混合模型方法主要分为两类：基于锚点(Anchor-Based)匹配和基于预测(Prediction-Based)匹配。然而，Prediction-Based方法存在预测聚类现象，难以选择具有代表性的预测结果；而Anchor-Based方法则回归精度受限。

本文提出了一种全新的混合模型正组分匹配范式：可更新且具区分度锚点(EDA，Evolvingand Distinct Anchors)，巧妙结合上述两类方法的优势，实现更高效的多峰分布学习。我们在多模态运动预测(Multimodal Motion Prediction)任务上进行了广泛实验。实验结果表明，EDA方法(单模型)在Waymo Motion Prediction Challenge中展现了优秀的性能。

? 原文链接：

https://ojs.aaai.org/index.php/AAAI/article/view/28130

?代码链接：

https://github.com/Longzhong-Lin/EDA

多模态运动预测

在自动驾驶领域，运动预测 (Motion Prediction) 是一个重要任务，它有助于场景理解和安全决策。该任务利用历史状态和道路地图来预测目标智能体的未来轨迹。其主要挑战来自未来行为的多模态性 (Multimodality) ，即智能体在相同环境和状态下可能展现出多种不同的行为模式。

图表1 智能体在相同环境和状态下可能展现出多种不同的行为模式

混合模型与正样本匹配

近年来，混合模型 (Mixture Model)例如高斯混合模型 (GMM) 已成为表征多峰未来行为分布的主流方法。混合模型通常采用“赢家通吃”的回归损失和分类损失，这需要明确混合组分 (Mixture Component) 中的正负样本，来作为分类损失的标签，以及计算正组分对应预测轨迹的回归损失。那么根据正样本匹配的方式，当前主流的混合模型方法可以分为两类：基于预测 (Prediction-Based)匹配和基于锚点 (Anchor-Based)匹配。

Prediction-Based / Anchor-Free：选择与真实轨迹 (Ground Truth) 最接近的预测轨迹，将其所对应的混合组分作为正样本。这类方法生成的预测结果能够真实反映未来行为的高度不确定性，但生成的轨迹往往会聚集在最有可能的区域，且具有相似的得分。这种现象导致模型难以选择具有代表性的轨迹，不利于下游任务。

Anchor-Based：将各个混合组分与预定义的锚点 (Anchor) 相关联，并选择与Ground Truth最接近的锚点所对应组分作为正样本。锚点的引入显著降低了分类（即给混合组分评分）的优化难度，同时预测轨迹将倾向于生成在对应的锚点附近。为了降低计算成本并保证评分性能，锚点的分布通常会比Prediction-Based方法生成的轨迹更稀疏，这种稀疏性则限制了模型的轨迹回归能力。

图表2 不同正样本匹配范式的结果

可更新且具区分度锚点 (EDA)

在本文中，我们提出了一种全新的混合模型正样本匹配范式：可更新且具区分度锚点 (EDA, Evolving and Distinct Anchors)。

图表3 EDA：全新的混合模型正样本匹配范式

可更新锚点 (Evolving Anchors)

对于Evolving Anchors，我们引入锚点并通过中间预测结果对其进行动态更新，使锚点能够根据具体场景上下文信息进行自适应调整，从而在保留空间先验的同时提升了模型的灵活性。

图4 Evolving Anchors的作用

具区分度锚点 (Distinct Anchors)

随着锚点的动态更新，我们观察到了类似Prediction-Based方法的预测结果聚集现象。

图表5 Evolving Anchors中的预测轨迹聚集现象

为了缓解预测聚集引发的分类标签歧义性问题（即对于相近的2个组分，有可能一个被标记为正样本，而另一个被标记为负样本），我们借鉴目标检测领域中的DDQ方法，提出先从锚点中筛选出Distinct Anchors，再将这些锚点与Ground Truth进行匹配。

图表6 可更新且具区分度锚点 (EDA, Evolving and Distinct Anchors)

实验结果

消融实验

随着锚点更新频率的增加，模型的回归能力在逐步增长，并且锚点的每次更新都会带来显著的回归精度提升。

图表7 随着锚点更新频率的增加，模型的回归能力在逐步提升

轨迹聚集问题确实影响了Evolving Anchors的轨迹评分能力，导致模型的Top-6轨迹预测指标尤其是mAP (mean Average Precision) 出现衰减；而Distinct Anchors的引入则如预期一样，全面且显著地提升了模型的Top-6轨迹预测指标。

图表8 消融模型的Top-6指标

对比实验

在Waymo Open Motion Dataset上，EDA的单模型表现超越了之前的Ensemble-Free方法，在所有指标上均优于基线模型MTR，特别是在Miss Rate上实现了13.5%的相对降低。此外，EDA还超越了MTR++，后者为改进网络结构的MTR升级方法。

图标9 Benchmark结果

总结与展望

本文针对轨迹预测中Mixture Model存在模态坍缩和精度不足的问题进行了研究，提出了一种新的正负样本匹配策略——Evolving and Distinct Anchors来解决该问题，保证了轨迹预测模型在具备较高模态丰富度的同时拥有很高的归回精度。我们的方法在Waymo Open Motion Dataset上达到了SOTA的水平。我们认为正负样本匹配策略具有很高的研究价值，不仅仅是在轨迹预测任务上，在端到端轨迹规划、智能体行为仿真等任务上也具备广泛的应用潜力和重要的研究意义。