スーパーエージェントと交絡因子：周囲のエージェントが車両軌跡予測に与える影響

要旨: 高度にインタラクティブな運転シーンでは、軌道予測は、車や歩行者などの周囲の交通参加者からの情報に基づいて条件付けられます。本研究の主な貢献は、最先端の軌道予測器を徹底的に分析することであり、そこから驚くべき、かつ重要な欠陥が明らかになります。それは、多くの周囲のエージェントが予測精度を向上させるのではなく、むしろ低下させるという点です。Shapley に基づく帰属（attribution）を用いて、モデルが学習時の実行（トレーニングラン）ごとに大きく異なる、不安定で非因果的な意思決定スキームを獲得することを、厳密に示します。これらの知見に基づき、追加の教師データを必要としない Conditional Information Bottleneck（CIB）を統合することを提案します。CIB は、エージェント特徴を効果的に圧縮するよう学習されるだけでなく、予測課題にとって有益でない特徴を無視します。複数のデータセットおよびモデルアーキテクチャを用いた包括的な実験により、このシンプルでありながら効果的なアプローチが、多くの場合において全体的な軌道予測性能を向上させるだけでなく、さまざまな摂動に対する頑健性も高めることが示されます。本結果は、軌道予測において文脈情報を選択的に統合することの重要性を浮き彫りにします。文脈情報は、しばしば無関係または誤解を招く信号を含み得るからです。さらに、非頑健な挙動を特定するための解釈可能な指標も提示し、解決策に向けた有望な道筋を提供します。