Trajectory Prediction via Bayesian Intention Inference under Unknown Goals and Kinematics

Stellen Sie sich vor, Sie stehen in einem belebten Park und beobachten einen Freund, der versucht, irgendwohin zu gelangen. Sie möchten erraten, wohin er geht und wie er dorthin kommen wird. Dies ist die tägliche Herausforderung für Roboter, selbstfahrende Autos und Drohnen: Sie müssen vorhersagen, was andere bewegliche Dinge als Nächstes tun werden. Aber hier ist der knifflige Teil: Die Person, die Sie beobachten, könnte plötzlich ihre Meinung ändern oder auf eine sehr seltsame, unvorhersehbare Weise gehen. Sie verrät Ihnen nicht ihren Plan, und Sie wissen nicht, welchen Gehstil sie hat. In der Welt der Robotik wird dies als „Intentionsinferenz“ bezeichnet. Es ist, als würde man versuchen, die Gedanken eines Menschen zu lesen, während er durch ein Labyrinth geht, wobei man gleichzeitig sowohl das Ziel als auch die Art und Weise der Bewegung erraten muss, während er jeden Moment seinen Plan ändern kann. Wenn ein Roboter falsch rät, könnte er zusammenstoßen oder im Weg stehen. Deshalb suchen Wissenschaftler ständig nach besseren Wegen, um diese Vermutungen schnell und genau anzustellen, insbesondere wenn sie keine große Datenbank vergangener Verhaltensweisen zur Untersuchung haben.

Dieses Paper stellt eine clevere neue Methode vor, wie Roboter dieses Ratespiel spielen können. Die Autoren, Shunan Yin, Zehui Lu und Shaoshuai Mou, haben einen „Bayesschen“ Algorithmus entwickelt. Denken Sie an einen superintelligenten Detektiv, der seine Überzeugungen jede einzelne Sekunde aktualisiert. Anstatt nur ein Ziel zu erraten und dabei zu bleiben, oder davon auszugehen, dass sich das Ziel in einer perfekten, vorhersehbaren Linie bewegt, macht ihr Roboter-Detektiv zwei Dinge gleichzeitig. Erstens errät er, wohin das Ziel gehen möchte (das Ziel). Zweitens errät er, wie sich das Ziel bewegt (ist es ein schneller, direkter Läufer oder ein langsamer, umherwandernder Wanderer?). Das Beste daran ist, dass der Detektiv diese beiden Dinge gemeinsam lernt. Wenn das Ziel plötzlich die Richtung ändert, erkennt der Detektiv: „Oh, sie haben nicht nur den Weg geändert; sie haben tatsächlich ihre Meinung geändert!“ und aktualisiert seine Vermutung sofort.

Das Paper zeigt, dass diese Methode unglaublich schnell und genau ist. In Computersimulationen konnte der Roboter diese Vermutungen 547 Mal pro Sekunde anstellen. Das ist schneller als ein menschliches Auge blinzeln kann! Sie testeten es mit virtuellen Zielen, die ihre Ziele zufällig wechselten, und mit echten Robotern, einschließlich einer fliegenden Drohne und eines vierbeinigen Roboters (ähnlich wie ein Hund). In diesen Tests war die neue Methode viel besser darin, vorherzusagen, wohin die Roboter als Nächstes gehen würden, im Vergleich zu älteren Methoden, die entweder ihre Meinung nicht ändern konnten oder die Art und Weise der Bewegung des Ziels nicht verstanden. Die Autoren fanden heraus, dass ihr Roboter durch die ständige Aktualisierung von sowohl „wo“ als auch „wie“ auch dann noch gut umgehen kann, wenn das Ziel sehr verrauscht oder unvorhersehbar agiert. Sie bewiesen dies durch tausende Computerversuche und reale Hardware-Tests und zeigten, dass ihr Ansatz funktioniert, ohne dass er zuerst auf massiven Datenmengen trainiert werden muss.

Der Doppelcheck des Detektivs

Um zu verstehen, wie dies funktioniert, betrachten wir die zwei Hauptprobleme, die das Paper löst. Das erste Problem ist, dass Ziele (wie Menschen oder andere Roboter) oft ihre Meinung ändern. Stellen Sie sich einen Hund vor, der einem Ball hinterherjagt. Er rennt vielleicht geradeaus auf den Ball zu, sieht dann aber plötzlich ein Eichhörnchen und ändert die Richtung. Ältere Methoden gehen oft davon aus, dass ein Hund ein festes Ziel hat und halten daran fest, selbst wenn der Hund offensichtlich den Kurs ändert. Dieses Paper argumentt, dass Ziele nicht fest sind; sie können wechseln wie ein Licht, das ein- und ausgeschaltet wird. Die Autoren modellierten dies mit einem „Markovschen“ Prozess, was nur eine schicke Art und Weise ist zu sagen, dass das Ziel jederzeit basierend auf einem Satz von Wahrscheinlichkeiten wechseln kann.

Das zweite Problem ist, dass wir nicht wissen, wie sich das Ziel bewegt. Ist das Ziel ein Roboter, der dem kürzesten Pfad perfekt folgt? Oder ist es ein Mensch, der ein wenig umherwandert? Das Paper führt eine spezielle Zahl ein, die $\alpha$ (Alpha) genannt wird, um dies zu beschreiben. Ein hohes $\alpha$ bedeutet, dass das Ziel sehr entschlossen ist und einer geraden, effizienten Linie folgt. Ein niedriges $\alpha$ bedeutet, dass das Ziel „verrauscht“ oder zufällig ist, vielleicht zickzackförmig läuft oder stoppt. Die große Innovation hier ist, dass das Paper $\alpha$ als etwas Unbekanntes behandelt, das der Roboter während des Prozesses selbst herausfinden muss. Anstatt eine feste Zahl für $\alpha$ anzunehmen und dabei zu bleiben, aktualisiert der Algorithmus seine Schätzung von $\alpha$ bei jeder neuen Bewegung.

Die Magie, zwei Dinge gleichzeitig zu tun

Der Kern der Entdeckung des Papers ist, dass man das Ziel und den Bewegungsstil nicht getrennt voneinander erraten sollte. Wenn man das Ziel falsch errät, könnte man denken, das Ziel bewege sich zufällig, obwohl es eigentlich versucht, an einen spezifischen Ort zu gelangen. Wenn man den Bewegungsstil falsch errät, könnte man denken, das Ziel ändere seine Ziele, obwohl es nur einen seltsamen Pfad nimmt.

Die Autoren bauten einen Algorithmus, der beide Vermutungen gleichzeitig aktualisiert. Es ist wie ein Detektiv, der, wenn er sieht, dass ein Verdächtiger um eine Ecke biegt, sofort zwei Fragen stellt: „Hat er gerade sein Ziel geändert?“ und „Ist diese Person ein schneller Läufer oder ein langsamer Geher?“ Indem er beide Fragen gleichzeitig beantwortet, erhält der Detektiv ein viel klareres Bild. Das Paper zeigt, dass wenn man nur das Ziel aktualisiert, aber den Bewegungsstil fest hält (oder umgekehrt), die Vorhersagen unordentlich und ungenau werden, besonders wenn das Ziel abrupt die Pläne ändert. Aber wenn man beides aktualisiert, bleibt der Roboter ruhig und genau, selbst wenn das Ziel schwierig agiert.

Die Theorie testen

Die Autoren haben ihre Theorie nicht nur aufgeschrieben; sie haben sie auf drei verschiedene Arten getestet.

Zuerst führten sie tausende Computersimulationen durch. Sie erstellten virtuelle Ziele, die ihre Ziele zufällig wechselten und mit unterschiedlichen Levels an „Rauschen“ bewegten. Sie verglichen ihre neue Methode mit drei anderen Methoden: einer, die von einem festen Ziel und fester Bewegung ausging, einer, die das Ziel ändern konnte, aber nicht den Bewegungsstil, und einer, die den Bewegungsstil ändern konnte, aber nicht das Ziel. Die Ergebnisse waren eindeutig: Die neue Methode, die beides änderte, war am besten darin, das korrekte Ziel zu erraten und den zukünftigen Pfad vorherzusagen. Sie war besonders gut darin, sich schnell zu erholen, nachdem ein Ziel seine Meinung geändert hatte.

Zweitens testeten die Autoren, wie der Algorithmus mit verschiedenen Schwierigkeitsgraden umgeht. Sie erhöhten die Anzahl der möglichen Ziele, die Länge der Vorhersage und die Komplexität der Karte. Selbst als es kompliziert wurde, blieb der Algorithmus schnell und lief mit etwa 547 Hz (was bedeutet, dass er die Berechnungen 547 Mal pro Sekunde durchführt). Das ist schnell genug für den Echtzeitgebrauch in Robotern, die sofort reagieren müssen.

Drittens brachten die Autoren den Algorithmus in die reale Welt. Sie brachten ihn auf einen Quadrocopter (eine Drohne) und einen quadrupedalen Roboter (einen vierbeinigen Roboter). In diesen Experimenten bewegte ein menschlicher Operator den Roboter und änderte plötzlich sein Ziel. Der Roboter musste erraten, wohin er als Nächstes gehen würde. Das Paper zeigt, dass der Algorithmus das neue Ziel korrekt identifizierte und den Pfad genau vorhersagte, selbst wenn sich der Roboter schnell bewegte oder plötzlich die Richtung änderte. Die Drohne und der hundähnliche Roboter folgten den Vorhersagen gut, was bewies, dass die Methode außerhalb des Computers funktioniert.

Warum das wichtig ist

Das Paper kommt zu dem Schluss, dass dieser „adaptive“ Ansatz ein bedeutender Schritt nach vorn ist. Er erfordert nicht, dass der Roboter das Ziel zuvor gesehen hat oder über eine riesige Bibliothek an Trainingsdaten verfügt. Er muss nur das Ziel beobachten und seine Überzeugungen in Echtzeit aktualisieren. Die Autoren legen nahe, dass dies die Methode sehr nützlich für Sicherheitsdrohnen, selbstfahrende Autos und jeden Roboter macht, der neben Menschen oder anderen unvorhersehbaren Akteuren arbeiten muss. Durch die Fähigkeit, plötzliche Änderungen sowohl im Wo als auch im Wie der Zielbewegung zu handhaben, wird der Roboter sicherer und zuverlässiger. Das Paper behauptet nicht, jedes Problem der Welt gelöst zu haben, aber es zeigt, dass indem wir den Roboter lernen lassen, sowohl das Ziel als auch den Bewegungsstil gleichzeitig zu erfassen, wir viel bessere Vorhersagen in einer Welt voller Überraschungen treffen können.