Recall to Predict：解釈可能なモーションバンクに基づくモーション予測の実現

要旨: モーション予測では、多くの場合、予測精度と解釈可能性の間でトレードオフが必要になります。標準的なアンカー（anchor）ベースのアーキテクチャは、潜在的なコラプス（latent collapse）に非常に起こりやすい不透明な潜在クエリ、または単純な軌道サンプリングによって多峰性の多様性が制限されるという問題があります。本研究では、「モーションバンク（motion bank）」と呼ばれる包括的な枠組みに予測を根付ける、エンドツーエンドで微分可能な手法を提案します。これは、対照学習（contrastive learning）によって構築される、物理的に実現可能な軌道の構造化された埋め込み空間です。空白の状態から経路を回帰するのではなく、我々のアーキテクチャは新しいアンカー検索レイヤ（Anchor Retrieval Layer）によって、明示的なモーションの事前知識を動的に取得します。このモジュールは、直交初期化されたクエリをデュアルレベル・ゲート付きクロスアテンション（Dual-Level Gated Cross-Attention）機構で適応させ、連続的な勾配フローを保持するためにストレートスルーのGumbel-Softmax推定量を用いて離散的な軌道選択を実行します。取得された意味的に根拠付けられたアンカーは、DETRスタイルのデコーダによって幾何学的に洗練されます。さらに、Winner-Takes-All（WTA）の運動学的ガウス混合モデル（GMM）、潜在多様性ペナルティ、ソフトミンで重み付けした終点ロスを同時に最適化します。多様で解釈可能なモーション・プリミティブに厳密にデコーディング段階を条件付けることで、我々の手法は標準的な潜在クエリの「ブラックボックス」を解消しつつ、Argoverse 2 および Waymo Open Motion のデータセットで競争力のある多峰性精度を実現します。コードは以下で公開されています: https://github.com/abviv/recall2predict