混合模型(Mixture Models)是一種強大的工具，能夠有效表征多模態(tài)分布(Multimodality)。根據(jù)正組分(Positive Mixture Component)匹配方式，主流的混合模型方法主要分為兩類：基于錨點(Anchor-Based)匹配和基于預(yù)測(Prediction-Based)匹配。然而，Prediction-Based方法存在預(yù)測聚類現(xiàn)象，難以選擇具有代表性的預(yù)測結(jié)果；而Anchor-Based方法則回歸精度受限。

本文提出了一種全新的混合模型正組分匹配范式：可更新且具區(qū)分度錨點(EDA，Evolvingand Distinct Anchors)，巧妙結(jié)合上述兩類方法的優(yōu)勢，實現(xiàn)更高效的多峰分布學(xué)習(xí)。我們在多模態(tài)運動預(yù)測(Multimodal Motion Prediction)任務(wù)上進行了廣泛實驗。實驗結(jié)果表明，EDA方法(單模型)在Waymo Motion Prediction Challenge中展現(xiàn)了優(yōu)秀的性能。

? 原文鏈接：

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

?代碼鏈接：

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

多模態(tài)運動預(yù)測

在自動駕駛領(lǐng)域，運動預(yù)測 (Motion Prediction) 是一個重要任務(wù)，它有助于場景理解和安全決策。該任務(wù)利用歷史狀態(tài)和道路地圖來預(yù)測目標(biāo)智能體的未來軌跡。其主要挑戰(zhàn)來自未來行為的多模態(tài)性 (Multimodality) ，即智能體在相同環(huán)境和狀態(tài)下可能展現(xiàn)出多種不同的行為模式。

圖表1 智能體在相同環(huán)境和狀態(tài)下可能展現(xiàn)出多種不同的行為模式

混合模型與正樣本匹配

近年來，混合模型 (Mixture Model)例如高斯混合模型 (GMM) 已成為表征多峰未來行為分布的主流方法?；旌夏Ｐ屯ǔ２捎谩摆A家通吃”的回歸損失和分類損失，這需要明確混合組分 (Mixture Component) 中的正負樣本，來作為分類損失的標(biāo)簽，以及計算正組分對應(yīng)預(yù)測軌跡的回歸損失。那么根據(jù)正樣本匹配的方式，當(dāng)前主流的混合模型方法可以分為兩類：基于預(yù)測 (Prediction-Based)匹配和基于錨點 (Anchor-Based)匹配。

Prediction-Based / Anchor-Free：選擇與真實軌跡 (Ground Truth) 最接近的預(yù)測軌跡，將其所對應(yīng)的混合組分作為正樣本。這類方法生成的預(yù)測結(jié)果能夠真實反映未來行為的高度不確定性，但生成的軌跡往往會聚集在最有可能的區(qū)域，且具有相似的得分。這種現(xiàn)象導(dǎo)致模型難以選擇具有代表性的軌跡，不利于下游任務(wù)。

Anchor-Based：將各個混合組分與預(yù)定義的錨點 (Anchor) 相關(guān)聯(lián)，并選擇與Ground Truth最接近的錨點所對應(yīng)組分作為正樣本。錨點的引入顯著降低了分類（即給混合組分評分）的優(yōu)化難度，同時預(yù)測軌跡將傾向于生成在對應(yīng)的錨點附近。為了降低計算成本并保證評分性能，錨點的分布通常會比Prediction-Based方法生成的軌跡更稀疏，這種稀疏性則限制了模型的軌跡回歸能力。

圖表2 不同正樣本匹配范式的結(jié)果

可更新且具區(qū)分度錨點 (EDA)

在本文中，我們提出了一種全新的混合模型正樣本匹配范式：可更新且具區(qū)分度錨點 (EDA, Evolving and Distinct Anchors)。

圖表3 EDA：全新的混合模型正樣本匹配范式

可更新錨點 (Evolving Anchors)

對于Evolving Anchors，我們引入錨點并通過中間預(yù)測結(jié)果對其進行動態(tài)更新，使錨點能夠根據(jù)具體場景上下文信息進行自適應(yīng)調(diào)整，從而在保留空間先驗的同時提升了模型的靈活性。

圖4 Evolving Anchors的作用

具區(qū)分度錨點 (Distinct Anchors)

隨著錨點的動態(tài)更新，我們觀察到了類似Prediction-Based方法的預(yù)測結(jié)果聚集現(xiàn)象。

圖表5 Evolving Anchors中的預(yù)測軌跡聚集現(xiàn)象

為了緩解預(yù)測聚集引發(fā)的分類標(biāo)簽歧義性問題（即對于相近的2個組分，有可能一個被標(biāo)記為正樣本，而另一個被標(biāo)記為負樣本），我們借鑒目標(biāo)檢測領(lǐng)域中的DDQ方法，提出先從錨點中篩選出Distinct Anchors，再將這些錨點與Ground Truth進行匹配。

圖表6 可更新且具區(qū)分度錨點 (EDA, Evolving and Distinct Anchors)

實驗結(jié)果

消融實驗

隨著錨點更新頻率的增加，模型的回歸能力在逐步增長，并且錨點的每次更新都會帶來顯著的回歸精度提升。

圖表7 隨著錨點更新頻率的增加，模型的回歸能力在逐步提升

軌跡聚集問題確實影響了Evolving Anchors的軌跡評分能力，導(dǎo)致模型的Top-6軌跡預(yù)測指標(biāo)尤其是mAP (mean Average Precision) 出現(xiàn)衰減；而Distinct Anchors的引入則如預(yù)期一樣，全面且顯著地提升了模型的Top-6軌跡預(yù)測指標(biāo)。

圖表8 消融模型的Top-6指標(biāo)

對比實驗

在Waymo Open Motion Dataset上，EDA的單模型表現(xiàn)超越了之前的Ensemble-Free方法，在所有指標(biāo)上均優(yōu)于基線模型MTR，特別是在Miss Rate上實現(xiàn)了13.5%的相對降低。此外，EDA還超越了MTR++，后者為改進網(wǎng)絡(luò)結(jié)構(gòu)的MTR升級方法。

圖標(biāo)9 Benchmark結(jié)果

總結(jié)與展望

本文針對軌跡預(yù)測中Mixture Model存在模態(tài)坍縮和精度不足的問題進行了研究，提出了一種新的正負樣本匹配策略——Evolving and Distinct Anchors來解決該問題，保證了軌跡預(yù)測模型在具備較高模態(tài)豐富度的同時擁有很高的歸回精度。我們的方法在Waymo Open Motion Dataset上達到了SOTA的水平。我們認為正負樣本匹配策略具有很高的研究價值，不僅僅是在軌跡預(yù)測任務(wù)上，在端到端軌跡規(guī)劃、智能體行為仿真等任務(wù)上也具備廣泛的應(yīng)用潛力和重要的研究意義。