M2I的激励范例。上图:传统的边缘预测器经常产生场景不一致的轨迹预测，相互碰撞。即使对于非碰撞预测，它也忽略了代理未来之间的潜在相互作用，并可能预测不现实的行为。下图:我们提出的方法M2I通过首先识别场景中的影响者反应器对来预测场景顺从轨迹。然后，它预测影响者的边际轨迹和反应堆的反应轨迹。鸣谢:孙桥等人人类可能是让全自动驾驶汽车远离城市街道的最大障碍之一。如果一个机器人要驾驶一辆车安全地穿过波士顿市中心，它必须能够预测附近的司机、骑自行车的人和行人下一步要做什么。
然而，行为预测是一个棘手的问题，当前的人工智能解决方案要么过于简单(他们可能假设行人总是走直线)，要么过于保守(为了避开行人，机器人只是把车停在公园里)，要么只能预测一个智能体的下一步行动(道路通常会同时承载许多用户)。)
麻省理工学院的研究人员设计了一个看似简单的解决方案来应对这个复杂的挑战。他们将一个多智能体行为预测问题分解成更小的部分，并单独处理每个部分，因此计算机可以实时解决这个复杂的任务。
他们的行为预测框架首先猜测两个道路使用者之间的关系——哪辆汽车、骑自行车的人或行人有通行权，哪一个智能体会让步——并使用这些关系来预测多个智能体的未来轨迹。
与自动驾驶公司Waymo汇编的庞大数据集中的实际交通流量相比，这些估计的轨迹比其他机器学习模型更准确。麻省理工学院的技术甚至超过了Waymo最近发布的模型。因为研究人员将问题分解成更简单的部分，他们的技术使用更少的内存。
“这是一个非常直观的想法，但之前没有人充分探索过，而且效果相当好。简单绝对是一个优点。我们正在将我们的模型与该领域的其他先进模型进行比较，包括该领域的领先公司Waymo的模型，我们的模型在这一具有挑战性的基准测试中取得了最佳性能。“这在未来有很大的潜力，”合著者之一、航空航天系研究生、实验室研究助理、航空航天学教授、计算机科学与人工智能实验室(CSAIL)成员Xin“Cyrus”Huang说。
与黄和威廉姆斯一起发表论文的还有来自中国清华大学的三名研究人员:共同首席作者，研究助理；君如谷，研究生；资深作者助理教授赵航博士。这项研究将在计算机视觉和模式识别会议上发表。
多个小模型
研究人员的机器学习方法被称为M2I，它接受两个输入:汽车、骑自行车者和行人在交通设置(如四向交叉路口)中交互的过去轨迹，以及带有街道位置、车道配置等的地图。
使用这个信息，关系预测器推断两个代理中的哪一个首先有通行权，将一个分类为通过者，一个分类为让与者。然后，一个被称为边际预测器的预测模型会猜测经过的智能体的轨迹，因为这个智能体的行为是独立的。
第二个预测模型，称为条件预测器，然后根据通过代理的动作猜测让步代理将做什么。系统为让与者和传球者预测许多不同的轨迹，单独计算每个轨迹的概率，然后选择出现可能性最高的六个联合结果。
M2I输出这些代理在接下来的八秒钟内将如何穿过交通的预测。在一个例子中，他们的方法让一辆车减速，这样行人就可以过马路，然后在他们通过十字路口时加速。在另一个例子中，车辆一直等到几辆车经过，才从一条小街转向一条繁忙的主干道。
虽然这项初步研究的重点是两个代理之间的相互作用，但M2I可以推断许多代理之间的关系，然后通过链接多个边缘和条件预测器来猜测它们的轨迹。
真实世界驾驶测试
研究人员使用Waymo Open Motion数据集训练模型，该数据集包含由安装在该公司自动驾驶汽车上的激光雷达(光探测和测距)传感器和摄像头记录的数百万个涉及车辆、行人和骑自行车者的真实交通场景。他们特别关注有多名特工的案件。
为了确定准确性，他们比较了每种方法的六个预测样本，根据它们的置信度进行加权，与场景中汽车、骑自行车者和行人的实际轨迹进行比较。他们的方法是最准确的。在重叠率这一指标上，它也优于基线模型；如果两条轨迹重叠，这表明发生了碰撞。M2I的重叠率最低。
“我们没有建立一个更复杂的模型来解决这个问题，而是采取了一种更像人类思考与他人互动的方式。人类不会对未来行为的数百种组合进行推理。我们做决定的速度相当快，”黄说。
M2I的另一个优点是，因为它将问题分解成更小的部分，所以用户更容易理解模型的决策。黄说，从长远来看，这可能有助于用户更加信任自动驾驶汽车。
但该框架无法解释两个代理人相互影响的情况，比如两辆车在一个四向停车点向前挪动，因为司机不知道谁应该让步。
他们计划在未来的工作中解决这一限制。他们还希望使用他们的方法来模拟道路使用者之间的现实互动，这可以用来验证自动驾驶汽车的规划算法，或者创建大量的合成驾驶数据来提高模型性能。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
