Resumo Técnico: UniMotion

Definição do Problema

A compreensão de movimento é um pilar fundamental para a condução autónoma, abrangendo três tarefas fundamentais: simulação de movimento, predição de trajetória e planeamento do ego. Embora estas tarefas sejam críticas para modelar cenários de tráfego dinâmicos, são tradicionalmente abordadas de forma isolada, utilizando designs de modelos especializados. Esta separação impede a generalização entre tarefas, limita a escalabilidade do sistema e ignora os potenciais benefícios mútuos derivados das suas capacidades subjacentes partilhadas: compreender interações multiagente, modelar comportamentos de movimento e raciocinar sobre a dinâmica temporal e espacial. As abordagens existentes falham frequentemente em aproveitar as semelhanças entre a diversidade de geração de movimento (simulação) e a previsão de trajetórias de longo alcance (predição/planeamento), levando a um desenvolvimento redundante e a um conhecimento fragmentado.

Metodologia

Os autores propõem o UniMotion, um framework de movimento unificado concebido para capturar estruturas partilhadas entre tarefas de movimento, ao mesmo tempo que acomoda os seus requisitos específicos. O framework baseia-se numa arquitetura Transformer apenas decodificador (decoder-only), escolhida pela sua simplicidade, escalabilidade e forte capacidade generativa.

1. Representação Unificada e Arquitetura

• Tokenização: Para garantir a generalização, o framework padroniza as entradas através de tokenização. As trajetórias dos agentes são segmentadas em intervalos fixos e agrupadas para formar um vocabulário de tokens de agentes ($S_a$). Da mesma forma, as polilinhas do mapa HD são divididas e agrupadas para criar tokens de mapa ($S_m$). Estes são incorporados em vetores de características ($E_a$ e $E_m$).
• Estrutura Encoder-Decoder: O modelo utiliza um codificador de mapa (map encoder) para processar as características do mapa ($F_m$) e um decodificador de agente fatorizado. O decodificador utiliza três mecanismos de atenção:
  • Autoatenção temporal.
  • Atenção cruzada agente-mapa.
  • Autoatenção agente-agente.
  • Embeddings posicionais relativos são utilizados para manter a invariância sob transformações de coordenadas.

2. Estratégia de Treino Conjunto

O UniMotion unifica as três tarefas abstraindo-as em dois componentes fundamentais: geração de movimento diversificada e previsão de trajetória de longo alcance. O modelo é treinado conjuntamente utilizando máscaras de atenção específicas para cada tarefa e objetivos adaptados:

• Simulação de Movimento: Modelada como uma tarefa de geração de linguagem autorregressiva. Utiliza uma máscara de atenção causal e Previsão do Próximo Token (NTP) para gerar iterativamente estados multiagente, enfatizando a diversidade a curto prazo.
• Predição de Trajetória: Tratada como uma tarefa de sequência-para-sequência (seq2seq). Emprega uma máscara de atenção seq2seq (tokens de histórico atendem uns aos outros; tokens futuros atendem ao histórico e aos tokens futuros precedentes). Crucialmente, introduz a Regressão de Futuro de Longo Alcance (LFR), substituindo a classificação de tokens por regressão de trajetória normalizada para prever trajetórias completas de longo alcance diretamente, garantindo a precisão.
• Planeamento do Ego: Visto como uma combinação de geração e predição. O modelo primeiro prevê trajetórias futuras para os agentes circundantes e, em seguida, gera progressivamente a trajetória do veículo ego com base nessas previsões.

3. Ajuste Fino (Fine-Tuning) Específico da Tarefa

Para alcançar um desempenho de estado da arte em aplicações específicas, o framework utiliza estratégias de ajuste fino dedicadas sem introduzir novos parâmetros:

• Simulação (baseada em RL): Utiliza Aprendizagem por Reforço (especificamente GRPO) para alinhar as trajetórias geradas com o comportamento de condução humano e as regras de trânsito. Uma função de recompensa combina semelhança cinemática (log-verosimilhança do ground truth) e evasão de colisões.
• Predição (Multi-modal): Introduz um decodificador transformer leve com âncoras de intenção para refinar as saídas multi-modais, aumentando a diversidade e a confiança das trajetórias.
• Planeamento (Pred2Gen): Aborda o desajuste de distribuição entre os tokens de agentes preditos e os dados de treino, ajustando o processo de geração do ego utilizando os resultados preditos (filtrados e substituídos pelo ground truth onde necessário) de uma forma supervisionada de ponta a ponta.

Principais Contribuições

1. Framework Unificado: O artigo abstrai as tarefas de movimento em duas categorias principais e propõe o UniMotion, um framework baseado em Transformer que modela conjuntamente simulação, predição e planeamento para promover a generalidade e a partilha de conhecimento entre tarefas.
2. Especialização via Ajuste Fino: Os autores desenharam estratégias de ajuste fino eficazes (RL para simulação, decodificação multi-modal para predição e Pred2Gen para planeamento) que permitem ao modelo treinado conjuntamente dominar a expertise específica de cada tarefa.
3. Validação Empírica: Experiências extensas no Waymo Open Motion Dataset (WOMD) demonstram que o treino conjunto leva a uma generalização robusta, enquanto as versões com ajuste fino alcançam resultados de estado da arte em todas as três tarefas de movimento.

Resultados Experimentais

O modelo foi avaliado no Waymo Open Motion Dataset (486k cenários de treino).

• Simulação: No Waymo Open Sim Agents Challenge, o UniMotion alcançou uma Métrica Meta de Realismo de 0.7851, superando métodos anteriores como o UniTFormer (0.7776) e o LLM2AD (0.7779). O modelo mostrou uma força particular em Métricas Cinemáticas devido ao ajuste fino baseado em RL.
• Predição: No Leaderboard de Predição do WOMD, o UniMotion alcançou um minADE de 0.5718 e um minFDE de 1.1643, posicionando-se competitivamente contra métodos de topo como o EDA e o RMP-YOLO.
• Planeamento: Nos benchmarks de planeamento da Waymo, o UniMotion superou significativamente as abordagens anteriores, alcançando um erro de planeamento de 0.083 a 1 segundo e 2.246 a 5 segundos, com taxas de colisão e violação de sinal vermelho notavelmente mais baixas em comparação com as bases de aprendizagem por imitação.

Estudos de ablação confirmaram que o treino conjunto com tanto NTP quanto LFR produz um melhor desempenho do que o treino de tarefa única, e que o ajuste fino específico de cada tarefa proporciona melhorias consistentes em todas as métricas.

Significância e Alegações

O artigo afirma que o UniMotion estabelece uma solução versátil e escalável para a condução autónoma, demonstrando que as tarefas de movimento, frequentemente tratadas como problemas isolados, partilham estruturas fundamentais que podem ser aproveitadas para otimização conjunta. Os autores argumentam que esta abordagem unificada não só permite a partilha eficiente de representação, como também possibilita a especialização direcionada através de ajuste fino, colmatando a lacuna entre a compreensão geral de movimento e o desempenho de nível especialista.

O trabalho destaca que, embora o framework apenas decodificador ofereça flexibilidade, este depende de informações posicionais detalhadas para interações espaço-temporais, o que atualmente limita a aplicação direta de tecnologias mais amplas relacionadas com LLMs. Sugere-se que trabalhos futuros explorem a aprendizagem entre datasets para melhorar ainda mais o desempenho do treino conjunto.