MoFlow: One-Step Flow Matching for Human Trajectory Forecasting via Implicit Maximum Likelihood Estimation based Distillation
Created by
Haebom
Category
Empty
저자
Yuxiang Fu, Qi Yan, Lele Wang, Ke Li, Renjie Liao
개요
본 논문은 인간의 과거 궤적과 상황 정보를 바탕으로 다중 모드의 미래 움직임을 예측하는 인간 궤적 예측 문제를 다룬다. MoFlow라는 새로운 모션 예측 조건부 흐름 매칭 모델을 제안하여 주어진 장면의 모든 에이전트에 대해 K-shot 미래 궤적을 예측한다. K개의 미래 궤적 집합 중 적어도 하나는 정확하도록 보장하는 동시에 모든 K개의 미래 궤적 집합이 다양하고 그럴듯하도록 하는 새로운 흐름 매칭 손실 함수를 설계하였다. 또한, 암시적 최대 우도 추정(IMLE)을 활용하여 교사 모델의 샘플만 필요로 하는 새로운 흐름 모델 증류 방법을 제안한다. SportVU NBA 경기, ETH-UCY, SDD 등 실제 데이터셋에 대한 광범위한 실험을 통해 교사 흐름 모델과 IMLE 증류 학생 모델 모두 최첨단 성능을 달성함을 보여준다. 이 모델들은 물리적으로나 사회적으로 그럴듯한 다양한 궤적을 생성할 수 있으며, 특히 단일 단계 학생 모델은 교사 흐름 모델보다 샘플링 속도가 100배 빠르다. 코드, 모델 및 데이터는 프로젝트 페이지(https://moflow-imle.github.io)에서 확인 가능하다.
시사점, 한계점
•
시사점:
◦
다양하고 그럴듯한 인간 궤적 예측을 위한 새로운 MoFlow 모델 제안.
◦
효율적인 흐름 매칭 손실 함수와 IMLE 기반 증류 방법 제시.
◦
실제 데이터셋에서 최첨단 성능 달성.
◦
100배 향상된 학생 모델의 샘플링 속도.
◦
코드, 모델, 데이터 공개.
•
한계점:
◦
논문에서 구체적인 한계점이 명시적으로 언급되지 않음. 추가적인 데이터셋이나 더 복잡한 상황에 대한 일반화 성능 평가가 필요할 수 있음.
