A Unified Framework for Trajectory Prediction with Explicit Planning and Reaction Decomposition

Resumen Técnico: Un Marco Unificado para la Predicción de Trayectorias con Descomposición Explícita de Planificación y Reacción

Planteamiento del Problema
La predicción de trayectorias tiene como objetivo estimar los movimientos futuros de los agentes dentro de una escena, una tarea crítica para la conducción autónoma y el análisis de multitudes. Si bien los métodos recientes han mejorado la capacidad predictiva mediante formulaciones acopladas que codifican las tendencias individuales, las restricciones de la escena y las interacciones sociales en un espacio latente compartido, estos enfoques suelen entrelazar los efectos sociales provenientes de diferentes fuentes y escalas temporales. Este entrelazamiento aumenta la complejidad del modelo y la vulnerabilidad a patrones de vecinos correlacionados de forma espuria. Además, los métodos estructurados existentes suelen tratar la influencia social como un componente unificado del proceso de predicción, sin distinguir sus funciones específicas en la formación de la trayectoria. Específicamente, los modelos actuales rara vez representan explícitamente la "planificación socialmente moldeada" que ocurre cuando un agente anticipa los comportamientos futuros de otros antes de ejecutar ajustes reactivos locales.

Metodología: El Marco INTraJ
Los autores proponen INTraJ, un marco unificado que reformula la predicción de trayectorias como un proceso de dos etapas impulsado por la intención: Planificación seguida de Reacción. Este enfoque descompone explícitamente la influencia social en estas etapas distintas en lugar de modelarlas de forma conjunta.

1. Descomposición Central (Módulo Plan-React):

   • Etapa de Planificación: El modelo extrae una "intención pura" ($I_{pure}$) de la historia del agente objetivo y su contexto local. Esta semilla se actualiza utilizando un "portador social futuro" ($z$) derivado de los agentes circundantes para generar una "intención socializada" ($I_{social}$). Un decodificador traduce esto en una trayectoria de referencia a nivel de planificación ($T_{ideal}$), que representa el plan de paso general del agente tras anticipar los comportamientos sociales futuros.
   • Etapa de Reacción: El modelo conserva la predicción de contexto completo del backbone ($T_{full}$) para capturar las interacciones inmediatas. La diferencia entre la predicción completa y la referencia de planificación ($S_{high} = T_{full} - T_{ideal}$) aproxima los ajustes reactivos locales (por ejemplo, evitación de colisiones, cambios de velocidad).
   • Fusión: Un mecanismo de compuerta (gating) aprendible ($\alpha$) controla la inyección de estos ajustes reactivos en la trayectoria final: $T_{final} = T_{ideal} + \alpha \cdot S_{high}$. Esto permite al modelo equilibrar dinámicamente las tendencias de planificación global con las respuestas de interacción local.

2. Implementación Unificada a través de Paradigmas:
   INTraJ se instancia bajo dos paradigmas de predicción distintos, que difieren únicamente en cómo se construyen la intención pura y el portador social:

   • Paradigma Multi-Objetivo: Utilizado con backbones como QCNet. La intención pura se extrae de la historia del agente focal. El portador social futuro se construye a partir de los futuros predichos explícitos de los agentes no focales ($P_{others}$), los cuales se codifican y fusionan mediante atención cruzada para actualizar la semilla de planificación.
   • Paradigma de Objetivo Único: Utilizado con backbones como DeMo. Dado que los futuros explícitos de los agentes no focales no están disponibles directamente, el marco construye la intención pura a través de una rama de "enmascarar otros" (solo ego) y el portador social a través de una rama de "yo estático". En la rama de yo estático, el movimiento del ego se establece como estático, lo que permite al modelo codificar la respuesta social latente de los agentes circundantes bajo una condición contrafáctica. Esta respuesta latente se inyecta entonces en la representación de planificación.

3. Objetivos de Entrenamiento:
   El marco se entrena con una función de pérdida conjunta que comprende:

   • Pérdida de Predicción ($L_{pred}$): Pérdida estándar para la trayectoria de salida final.
   • Pérdida de Referencia de Planificación ($L_{ref}$): Supervisa la rama $T_{ideal}$ utilizando una versión suavizada de la trayectoria real para imponer un plan de movimiento suave y de baja frecuencia.
   • Regularización Auxiliar ($L_{aux}$): Un regularizador basado en la varianza aplicado al peso de la compuerta $\alpha$ para evitar que el modelo colapse hacia un valor alto uniforme (ignorando efectivamente la descomposición) durante las etapas iniciales del entrenamiento.

Contribuciones Clave

1. Modelado Social Jerárquico: El artículo introduce una visión que descompone la influencia social en una etapa de planificación (trayectoria global moldeada socialmente) y una etapa de reacción (ajustes locales), formulando la formación de la trayectoria como un proceso secuencial.
2. Marco Unificado: INTraJ proporciona una formulación única que soporta tanto el paradigma de predicción multi-objetivo como el de objetivo único, adaptando la construcción de los portadores sociales a la arquitectura específica del backbone.
3. Generalizabilidad: El método demuestra mejoras de rendimiento consistentes en escenarios de conducción autónoma (Argoverse 2) y pronóstico de multitudes puras (ETH/UCY, SDD), lo que indica que el modelado de interacción social jerárquico se generaliza en diferentes entornos de interacción.

Resultados Experimentales
Se realizaron experimentos extensos en cuatro bancos de pruebas: Argoverse 2 (AV2), Argoverse 2-ped, ETH/UCY y SDD.

• Bancos de Pruebas de Multitudes: En ETH/UCY y SDD, INTraJ integrado con el backbone Resonance logró un rendimiento de estado del arte (SOTA). Notablemente, redujo el Error de Desplazamiento Final (FDE) en SDD a 9.87 (de más de 10 en métodos existentes) y mejoró el FDE en un 7.2% global en ETH/UCY, con una ganancia del 12.2% en subconjuntos de largo horizonte.
• Conducción Autónoma: En AV2, INTraJ mejoró tanto los backbones QCNet (multi-objetivo) como DeMo (objetivo único). Por ejemplo, en DeMo, alcanzó un minFDE6 de 1.17 y un minADE6 de 0.61.
• Estudios de Ablación: Los resultados confirmaron que tanto la etapa de planificación como la de reacción son necesarias; eliminar cualquiera de las etapas o el mecanismo de compuerta degradó el rendimiento. Las ganancias se atribuyeron a la descomposición estructural y no al apilamiento de parámetros.
• Robustez: El marco demostró tolerancia a predicciones imperfectas de los agentes circundantes, manteniendo el rendimiento incluso cuando se inyectó ruido gaussiano en el portador social futuro.
• Eficiencia: Comparado con el baseline QCNet, INTraJ introdujo una sobrecarga computacional moderada (los parámetros aumentaron de 7.66M a 8.46M; la latencia de 37.94ms a 44.64ms) mientras superaba a otros métodos de refinamiento de tipo plug-in como SmartRefine.

Significancia y Reivindicaciones
El artículo afirma que INTraJ replantea la predicción de trayectorias de una tarea de regresión monolítica a un proceso de dos etapas impulsado por la planificación. Al separar explícitamente la construcción de una trayectoria ideal socialmente moldeada de la recuperación de los ajustes reactivos locales, el marco aborda las limitaciones de las formulaciones acopladas que entrelazan los efectos sociales. Los autores postulan que este modelado social por etapas es crítico para producir predicciones estables, coherentes y consistentes en horizontes largos. Los resultados validan que descomponer la influencia social en planificación y reacción proporciona un paradigma efectivo y generalizable para la predicción de trayectorias en diversos escenarios multi-agente.