RetroMotion: Retrocausal Motion Forecasting Models are Instructable

以下は、論文「RetroMotion: Retrocausal Motion Forecasting Models are Instructable」の詳細な技術的サマリーです。

1. 問題定義

自動運転における運動予測は、複数の道路利用者（エージェント）の将来の軌道を予測するタスクです。このタスクは主に 2 つの課題に直面しています：

• 指数関数的複雑性: 軌道の結合分布は、エージェントの数とともに指数関数的に増大します。シーン内のすべてのエージェントに対する完全な結合分布をモデル化することは、計算量的に不可能です。
• 相互作用のモデル化: 周辺分布（各エージェントを独立して予測する）は効率的ですが、エージェント間の複雑な相互作用を捉えることができません。逆に、既存の結合モデル化手法は、高い推論遅延に悩まされたり、少数のエージェントに限定されたりする傾向があります。
• 制御の欠如: 標準的な運動予測モデルは通常「ブラックボックス」であり、再学習なしには「左折する」や「歩行者に譲る」といった高レベルの指示によって容易に誘導することができません。

2. 手法

著者らは、マルチエージェント運動予測を周辺成分と結合成分に分解し、独自の逆因果的情報フローによってこれらを連結する、トランスフォーマーベースのフレームワークRetroMotionを提案します。

A. 分解戦略

モデルはタスクを 2 つの段階に分割します：

1. 周辺予測: デコーダが、シーン内のすべてのエージェントに対する独立した軌道分布を予測します。
2. 結合予測: 2 番目のデコーダが、相互作用するエージェントに特化した結合分布を生成します。
   • 逆因果的フロー: 生入力から直接結合軌道を予測するのではなく、モデルは周辺分布を再エンコードして結合分布を生成します。これにより、「未来」（周辺予測）から「より前の」結合モデル化段階へと情報が流れるフローが生まれます。
   • ペアごとのモデル化: 結合デコーダは、軌道を局所参照フレームに変換し、アテンション機構を用いて相互作用をモデル化します。対角線上のクエリペアに焦点を当てることで完全な結合分布（$K^2$ 組み合わせ）を近似し、情報を $K$ 個のペアに圧縮すると同時に、非対角ペアがアテンションを介して対角ペアを更新することを可能にします。

B. 確率モデル

• 圧縮指数冪分布: モデルは標準的なガウス分布やラプラス分布を仮定しません。代わりに、位置の不確実性を、二変量正規分布とラプラス分布の混合（指数冪分布の近似）を用いてモデル化します。
• DCT 圧縮: 計算複雑性を低減し、高周波ノイズを除去するため、分布の位置パラメータ（平均 $\mu$）を**離散コサイン変換（DCT）**を用いて圧縮します。モデルは少量の DCT 係数を予測し、その後、逆離散コサイン変換（IDCT）を介して再構成することで完全な軌道を形成します。

C. アーキテクチャ

• シーンエンコーダ: ポリラインとトランスフォーマーエンコーダを用いて、過去の軌道、車線データ、信号などのマルチモーダル入力を処理し、グローバルなシーンコンテキスト埋め込みを生成します。
• 2 つのデコーダ:
  • 周辺デコーダ: エージェントごとの軌道密度を予測します。
  • 結合デコーダ: 再エンコードされた周辺特徴とシーンコンテキストを受け取り、結合相互作用分布を予測します。
• 損失関数: 周辺予測と結合予測の両方の負の対数尤度を組み合わせたマルチタスク損失を用いた最尤推定（MLE）により学習されます。最適化は、真の軌道（ground truth）に最も近い軌道に対してのみ行われます。

3. 主な貢献

1. 逆因果的情報フロー: この手法は、周辺予測を再エンコードすることで周辺予測と結合予測を連結します。これにより初期の周辺予測への負担を軽減すると同時に、指示の発行のためのインターフェースを創出します。周辺軌道を結合デコーディング段階前に修正することで、モデルは特定の目標に従うように結合予測を適応させることができます。
2. 圧縮指数冪分布: 学習された指数冪分布（正規 - ラプラス混合として近似）を用いて不確実性をモデル化することが、標準的な正規分布またはラプラス分布の仮定よりも優れていることを実証しました。
3. 創発的な指示追従: 本論文は、標準的な運動予測の学習が、明示的な指示チューニングなしにモデルに目標ベースおよび方向性のある指示を追従させる能力を暗黙的に付与することを示しています。モデルは「左折する」といった基本的なコマンドを、対向車線を避けるなど、シーンコンテキストに適応させます。
4. 効率性とスケーラビリティ: この手法は、最大 8 人のエージェントの予測を、低い推論遅延（A6000 GPU で約 60ms）でサポートし、拡散ベースの結合モデル化手法よりも著しく高速です。

4. 実験結果

モデルはWaymo Open Motion、Argoverse 2、およびV2X-Seqデータセットで評価されました。

• Waymo 相互作用予測チャレンジ:
  • RetroMotion は、SMoE ハイブリッド構成でmAP 0.2519を達成し、MTR++（0.2326）や QCNeXt（0.2352）などの強力なベースラインを上回りました。
  • 結合デコーディングを除去した場合（周辺予測を結合予測として扱う場合）、mAP は 0.2441 から 0.1797 に低下し、結合モデル化が大幅に改善することを示しました。
• クロスデータセット汎化:
  • Waymo データのみで学習された RetroMotion は、Argoverse 2 および V2X-Seq へ効果的に汎化し、minFDE や見逃し率（Miss Rate）の点で Wayformer や RedMotion などの専門モデルを上回りました。
• 指示追従:
  • 目標ベース: 所望の目標に一致するように周辺軌道を修正したところ、最終変位誤差（minFDE）が**11.8%**削減されました。
  • 方向性: 「左折」という交通規則に違反する指示（例：対向車線へ曲がる）を与えられた場合、モデルは軌道を道路内に留まるように適応させ、他のエージェントとの重なり率を**22%削減し、道路上にいる確率を33%**向上させました。
• アブレーション研究:
  • DCT 圧縮を伴う指数冪分布の使用が最良の結果（mAP 0.195）をもたらしました。これは、圧縮なしの正規分布（0.172）やラプラス分布（0.176）を上回ります。
  • 混合重みの分析により、学習された分布は主にラプラス型であるが、少量の正規成分から恩恵を受けていることが明らかになりました。

5. 意義

RetroMotion は、解釈可能で双方向的な自動運転システムに向けた重要な一歩を表しています。

• 効率性: 問題を分解し、逆因果的再エンコードを使用することで、結合予測のスケーラビリティ課題を解決します。
• 人間と AI の整合性: 標準的な学習が指示追従能力をもたらすという発見は、運動予測モデルが人間の意図に自然に整合することを学習しうることを示唆しています。これにより、オペレーターがモデルを再学習させることなく、エッジケースや複雑なシナリオにおいて車両の動作を誘導する道が開かれます。
• 堅牢性: 圧縮された確率表現の使用により、モデルはデータセット固有のノイズに対して堅牢となり、リアルタイム展開のために計算効率的になります。