🤖 AI

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

Le papier propose INTraJ, un cadre de prédiction de trajectoire unifié qui décompose l'influence sociale en une étape de planification pour générer des trajectoires de référence et une étape de réaction pour les ajustements locaux, atteignant des performances de pointe sur plusieurs benchmarks en validant le rôle critique de la modélisation sociale par étapes.

Auteurs originaux : Jiaheng Chen, Jiaxing Li, Tinghe Zhang, Chaopeng Guo

Publié 2026-08-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jiaheng Chen, Jiaxing Li, Tinghe Zhang, Chaopeng Guo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de prédire où se trouvera un ami dans cinq minutes. Si vous regardez simplement où il marche en ce moment, vous pourriez deviner qu'il continuera tout droit. Mais si vous voyez un chien courir vers lui, ou un groupe d'amis qui lui fait signe, votre supposition change. Vous anticipez que le chien pourrait le faire s'arrêter, ou que les amis pourraient le faire tourner. C'est le cœur de la prédiction de trajectoire, un domaine de l'informatique qui tente de deviner les futurs chemins d'objets en mouvement, comme des voitures sur une autoroute ou des gens sur une place animée. Il ne s'agit pas seulement de mathématiques ; il s'agit de comprendre comment un objet en mouvement réagit aux autres. Pour que les voitures autonomes soient sûres, elles ne peuvent pas se contenter de conduire comme des robots ignorant le monde ; elles doivent « réfléchir » à la manière dont les autres conducteurs et piétons vont bouger, et comment ces mouvements modifieront leur propre trajectoire. Le grand défi a toujours été de trouver comment enseigner aux ordinateurs ce genre de pensée sociale sans qu'ils ne soient confus par trop de détails à la fois.

Entrez en scène INTraJ, un nouveau cadre proposé par des chercheurs qui suggère que nous avons abordé ce problème de la mauvaise manière. Au lieu d'essayer de prédire tout le chemin futur en une seule explosion cérébrale géante et désordonnée, INTraJ suggère de diviser le processus en deux étapes distinctes : la Planification et la Réaction. Pensez-y comme à la planification d'un voyage en voiture. D'abord, vous regardez la carte et décidez de votre itinéraire général (le « Plan »). Vous savez que vous devez aller de la Ville A à la Ville B, et vous avez vérifié les rapports de trafic pour voir où se trouvent les gros embouteillages. C'est votre « plan socialisé ». Mais une fois que vous conduisez réellement, vous ne pouvez pas simplement suivre la carte aveuglément. Si un écureuil surgit devant votre voiture, vous déviez. Si une équipe de construction bloque une voie, vous change vous insérez sur une autre voie. Ce sont vos « Réactions ».

L'article soutient que la plupart des modèles informatiques actuels tentent de faire à la fois la lecture de la carte et les déviations au même moment, ce qui les rend désordonnés et sujets aux erreurs. INTraJ corrige cela en séparant les deux. Il construit d'abord une « Intention Socialisée » — un chemin idéal et fluide que l'agent (comme une voiture ou une personne) emprunterait s'il anticipait les mouvements futurs de chacun des autres. Ensuite, il ajoute une couche de « Réaction » par-dessus, qui gère les ajustements locaux rapides nécessaires lorsque les choses ne se passent pas exactement comme prévu.

Les chercheurs ont testé cette idée sur quatre ensembles de données différents, incluant des données de conduite réelle (Argoverse 2) et des données de mouvement de foule (comme des gens marchant dans une ville). Ils ont découvert qu'en divisant le processus en « Planifier puis Réagir », l'ordinateur faisait de bien meilleures prédictions. Plus précisément, les prédictions finales étaient plus précises, surtout pour les estimations à long terme (comme l'endroit où quelqu'un sera dans 5 secondes plutôt que dans 1 seconde). Dans les ensembles de données de villes encombrées, la nouvelle méthode a réduit l'erreur de prédiction finale de manière significative, tombant à une erreur moyenne de 9,87 pixels sur un ensemble de données et améliorant la précision à long terme de plus de 12 % sur un autre. Plus impressionnant encore, cette approche en « deux étapes » fonctionnait tout aussi bien que l'ordinateur essayait de prédire les trajectoires de nombreuses voitures à la fois ou d'une seule personne dans une foule.

L'article exclut explicitement l'idée que l'influence sociale soit simplement un réseau unique et emmêlé d'informations qui doit être traité tout à la fois. Au contraire, il suggère que l'influence sociale joue des rôles différents à différents moments : d'abord, elle façonne le plan global, et ensuite, elle déclenche des corrections locales rapides. Les auteurs sont confiants dans ces résultats car ils ont testé la méthode sur plusieurs « backbones » informatiques différents (les moteurs sous-jacents qui font les calculs) et ont constaté des améliorations constantes à chaque fois. Ils ont même montré que la méthode est robuste ; même si l'ordinateur se trompe légèrement sur ce que font les autres (par exemple, s'il pense qu'une voiture va tourner à gauche alors qu'elle va en fait tout droit), le système INTraJ ne plante pas. Il gère l'erreur avec élégance, ajustant son propre plan sans s'effondrer.

En bref, INTraJ apprend aux ordinateurs à mieux « socialiser » en leur apprenant à réfléchir avant d'agir. C'est un peu comme dire à un étudiant : « Ne vous contentez pas de réagir aux questions d'examen au fur et à mesure qu'elles arrivent ; lisez d'abord l'examen entier, faites un plan, puis attaquez les parties difficiles. » En séparant la vue d'ensemble des petits détails, les chercheurs ont trouvé un moyen de rendre la prédiction de trajectoire plus fluide, plus sûre et plus fiable pour l'avenir de la conduite autonome et de l'analyse des foules.

Résumé Technique : Un cadre unifié pour la prédiction de trajectoire avec décomposition explicite de la planification et de la réaction

Énoncé du problème
La prédiction de trajectoire vise à estimer les mouvements futurs des agents au sein d'une scène, une tâche critique pour la conduite autonome et l'analyse de foule. Bien que les méthodes récentes aient amélioré la capacité prédictive grâce à des formulations couplées qui encodent les tendances individuelles, les contraintes de la scène et les interactions sociales dans un espace latent partagé, ces approches tendent souvent à entremêler les effets sociaux provenant de différentes sources et de différentes échelles temporelles. Cet enchevêtrement augmente la complexité du modèle et sa vulnérabilité aux corrélations spécieuses avec les motifs des voisins. De plus, les méthodes structurées existantes traitent généralement l'influence sociale comme une composante unifiée du processus de prédiction, échouant à distinguer ses rôles fonctionnels spécifiques dans la formation de la trajectoire. Plus précisément, les modèles actuels représentent rarement de manière explicite la « planification socialement façonnée » qui se produit lorsqu'un agent anticipe les comportements futurs des autres avant d'exécuter des ajustements réactifs locaux.

Méthodologie : Le cadre INTraJ
Les auteurs proposent INTraJ, un cadre unifié qui reformule la prédiction de trajectoire comme un processus à deux étapes piloté par l'intention : la Planification, suivie de la Réaction. Cette approche décompose explicitement l'influence sociale en ces deux étapes distinctes plutôt que de les modéliser conjointement.

Décomposition centrale (Module Plan-React) :
- Étape de Planification : Le modèle extrait une « intention pure » ( $I_{pure}$ ) de l'historique de l'agent cible et de son contexte local. Cette graine est ensuite mise à jour à l'aide d'un « vecteur social futur » ( $z$ ) dérivé des agents environnants pour générer une « intention socialisée » ( $I_{social}$ ). Un décodeur traduit cela en une trajectoire de référence au niveau de la planification ( $T_{ideal}$ ), qui représente le plan de dépassement global de l'agent après avoir anticipé les comportements sociaux futurs.
- Étape de Réaction : Le modèle conserve la prédiction à contexte complet du backbone ( $T_{full}$ ) pour capturer les interactions immédiates. La différence entre la prédiction complète et la référence de planification ( $S_{high} = T_{full} - T_{ideal}$ ) approxime les ajustements réactifs locaux (ex: évitement de collision, changements de vitesse).
- Fusion : Un mécanisme de porte apprenable ( $\alpha$ ) contrôle l'injection de ces ajustements réactifs dans la trajectoire finale : $T_{final} = T_{ideal} + \alpha \cdot S_{high}$ . Cela permet au modèle de doser dynamiquement les tendances de planification globale et les réponses d'interaction locales.
Implémentation unifiée à travers les paradigmes :
INTraJ est instancié sous deux paradigmes de prédiction distincts, différant uniquement dans la manière dont l'intention pure et le vecteur social sont construits :
- Paradigme Multi-Cibles : Utilisé avec des backbones comme QCNet. L'intention pure est extraite de l'historique de l'agent focal. Le vecteur social futur est construit à partir des futurs explicitement prédits des agents non-focaux ( $P_{others}$ ), qui sont encodés et fusionnés via une attention croisée pour mettre à jour la graine de planification.
- Paradigme à Cible Unique : Utilisé avec des backbones comme DeMo. Puisque les futurs explicites des agents non-focaux ne sont pas directement disponibles, le cadre construit l'intention pure via une branche « masquer les autres » (ego-seul) et le vecteur social via une branche « soi statique ». Dans la branche statique de soi, le mouvement de l'ego est fixé comme statique, permettant au modèle d'encoder la réponse sociale latente des agents environnants sous une condition contrefactuelle. Cette réponse latente est ensuite injectée dans la représentation de la planification.
Objectifs d'entraînement :
Le cadre est entraîné avec une fonction de perte conjointe comprenant :
- Perte de Prédiction ( $L_{pred}$ ) : Perte standard pour la trajectoire de sortie finale.
- Perte de Référence de Planification ( $L_{ref}$ ) : Supervise la branche $T_{ideal}$ en utilisant une version lissée de la trajectoire réelle pour imposer des plans de mouvement lisses et à basse fréquence.
- Régularisation Auxiliaire ( $L_{aux}$ ) : Un régularisateur basé sur la variance appliqué au poids de la porte $\alpha$ pour empêcher le modèle de s'effondrer vers une valeur élevée uniforme (ignorant ainsi la décomposition) lors du début de l'entraînement.

Contributions clés

Modélisation sociale hiérarchique : L'article introduit une vision qui décompose l'influence sociale en une étape de planification (trajectoire globale socialement façonnée) et une étape de réaction (ajustements locaux), formulant la formation de la trajectoire comme un processus séquentiel.
Cadre unifié : INTraJ fournit une formulation unique qui supporte à la fois les paradigmes de prédiction multi-cibles et à cible unique, adaptant la construction des vecteurs sociaux à l'architecture spécifique du backbone.
Généralisabilité : La méthode démontre des gains de performance constants à travers les scénarios de conduite autonome (Argoverse 2) et de prédiction de foule pure (ETH/UCY, SDD), indiquant que la modélisation de l'interaction sociale hiérarchique se généralise à divers environnements d'interaction.

Résultats expérimentaux
Des expériences approfondies ont été menées sur quatre benchmarks : Argoverse 2 (AV2), Argoverse 2-ped, ETH/UCY et SDD.

Benchmarks de foule : Sur ETH/UCY et SDD, l'intégration d'INTraJ avec le backbone Resonance a atteint des performances de pointe (SOTA). Notamment, il a réduit l'erreur de déplacement final (FDE) sur SDD à 9,87 (contre plus de 10 avec les méthodes existantes) et a amélioré le FDE de 7,2 % globalement sur ETH/UCY, avec un gain de 12,2 % sur les sous-ensembles à long horizon.
Conduite autonome : Sur AV2, INTraJ a amélioré les backbones QCNet (multi-cible) et DeMo (cible unique). Par exemple, sur DeMo, il a atteint un minFDE6 de 1,17 et un minADE6 de 0,61.
Études d'ablation : Les résultats ont confirmé que les étapes de planification et de réaction sont toutes deux nécessaires ; la suppression de l'une ou l'autre étape ou du mécanisme de porte dégrade les performances. Les gains ont été attribués à la décomposition structurelle plutôt qu'à l'empilement de paramètres.
Robustesse : Le cadre a démontré une tolérance aux prédictions imparfaites des agents environnants, maintenant ses performances même lorsqu'un bruit gaussien était injecté dans le vecteur social futur.
Efficacité : Comparé au baseline QCNet, INTraJ introduit un surcoût computationnel modéré (les paramètres passent de 7,66M à 8,46M ; la latence de 37,94ms à 44,64ms) tout en surpassant les autres méthodes de raffinement par ajout de composants comme SmartRefine.

Signification et Revendications
L'article affirme qu'INTraJ recadre la prédiction de trajectoire, passant d'une tâche de régression monolithique à un processus à deux étapes piloté par la planification. En séparant explicitement la construction d'une trajectoire idéale socialement façonnée de la récupération des ajustements réactifs locaux, le cadre répond aux limites des formulations couplées qui entremêlent les effets sociaux. Les auteurs postulent que cette modélisation sociale par étapes est cruciale pour produire des prédictions stables, cohérentes et consistantes sur de longs horizons. Les résultats valident que la décomposition de l'influence sociale en planification et réaction constitue un paradigme efficace et généralisable pour la prédiction de trajectoire à travers divers scénarios multi-agents.

Articles similaires