Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation论文讲解
发布时间
阅读量：
阅读量
“Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation” 这篇论文提出了优化扩散模型的方法，以解决自动驾驶中联合轨迹预测和可控生成面临的计算效率问题，在相关任务上展现出良好性能。
- 研究背景 ：扩散模型在自动驾驶轨迹预测与生成方面有潜力，但面临计算效率瓶颈，包括反向扩散计算量大和引导采样计算复杂的问题。
- 相关工作 ：介绍扩散模型、引导采样和轨迹预测的研究现状，指出已有工作的不足。
- 预备知识 * 扩散模型 ：通过随机微分方程（SDE）对数据分布进行扰动和恢复，在求解反向 SDE 时需要近似相关分布和对数概率梯度。
- 引导采样 ：基于扩散的可控生成通过对分数函数进行偏差采样实现，但现有方法计算梯度的方式存在计算量大的问题。
- 轨迹预测与可控生成 ：联合轨迹预测旨在预测场景中所有车辆的未来轨迹，可控轨迹生成在生成真实轨迹的同时要满足特定引导成本函数。
- 方法 * 最优高斯扩散（OGD） ：通过优化先验分布，从最优高斯分布开始反向扩散，减少扩散步骤。利用命题 1 和推论 1，基于边际轨迹分布的统计信息确定最优先验分布和扰动核方差。
- 带参考的估计清洁流形引导（ECMR） ：将可控生成转化为多目标优化问题，通过分层优化解决。利用参考联合轨迹点解决多模态分布带来的局部最优问题，提高引导采样效率。
- 实验 * 实验设置 ：使用 Argoverse 2 数据集，基于预训练的 QCNet 提取特征，采用多种注意力机制和线性映射学习轨迹表示，使用 DDIM 加速推理。
- 联合轨迹预测 ：OGD 在减少扩散步骤的同时，预测性能优于普通扩散模型，在 Argoverse 多世界排行榜上取得较好成绩。
- 可控生成 ：ECM 和 ECMR 在生成符合引导要求的轨迹方面表现出色，且使用更少的推理步骤，具有较低的推理时间和 GPU 内存使用量。
- 结论 ：OGD 和 ECM 方法显著提高了扩散模型在自动驾驶中的计算效率和性能，但受边际轨迹预测器精度影响，未来可通过改进边际模型或直接学习联合预测的均值和方差来提升效果。
全部评论 (0)
还没有任何评论哟~