We focus on decentralized navigation among multiple non-communicating rational agents at \emph{uncontrolled} intersections, i.e., street intersections without traffic signs or signals. Avoiding collisions in such domains relies on the ability of agents to predict each others' intentions reliably, and react quickly. Multiagent trajectory prediction is NP-hard whereas the sample complexity of existing data-driven approaches limits their applicability. Our key insight is that the geometric structure of the intersection and the incentive of agents to move efficiently and avoid collisions (rationality) reduces the space of likely behaviors, effectively relaxing the problem of trajectory prediction. In this paper, we collapse the space of multiagent trajectories at an intersection into a set of modes representing different classes of multiagent behavior, formalized using a notion of topological invariance. Based on this formalism, we design Multiple Topologies Prediction (MTP), a data-driven trajectory-prediction mechanism that reconstructs trajectory representations of high-likelihood modes in multiagent intersection scenes. We show that MTP outperforms a state-of-the-art multimodal trajectory prediction baseline (MFP) in terms of prediction accuracy by 78.24% on a challenging simulated dataset. Finally, we show that MTP enables our optimization-based planner, MTPnav, to achieve collision-free and time-efficient navigation across a variety of challenging intersection scenarios on the CARLA simulator.

中文翻译：

---

基于拓扑不变性的多模态轨迹预测在不受控制的交叉路口导航

我们专注于在\ emph {不受控制} 十字路口（即没有交通标志或信号的街道十字路口）的多个非通信理性代理之间的分散导航。避免在这些领域发生冲突依赖于代理可靠地预测彼此意图并迅速做出反应的能力。多智能体轨迹预测是 NP 难的，而现有数据驱动方法的样本复杂性限制了它们的适用性。我们的关键见解是，交叉点的几何结构和智能体有效移动和避免碰撞（理性）的激励减少了可能行为的空间，有效地缓解了轨迹预测问题。在本文中，我们将交叉点处的多智能体轨迹空间折叠成一组代表不同类别的多智能体行为的模式，使用拓扑不变性的概念形式化。基于这种形式，我们设计了多拓扑预测 (MTP)，这是一种数据驱动的轨迹预测机制，可重建多智能体交叉场景中高似然模式的轨迹表示。我们表明，在具有挑战性的模拟数据集上，MTP 在预测精度方面优于最先进的多模态轨迹预测基线 (MFP) 78.24%。最后，我们展示了 MTP 使我们基于优化的规划器 MTPnav 能够在 CARLA 模拟器上的各种具有挑战性的交叉路口场景中实现无碰撞且省时的导航。使用拓扑不变性的概念形式化。基于这种形式，我们设计了多拓扑预测 (MTP)，这是一种数据驱动的轨迹预测机制，可重建多智能体交叉场景中高似然模式的轨迹表示。我们表明，在具有挑战性的模拟数据集上，MTP 在预测精度方面优于最先进的多模态轨迹预测基线 (MFP) 78.24%。最后，我们展示了 MTP 使我们基于优化的规划器 MTPnav 能够在 CARLA 模拟器上的各种具有挑战性的交叉路口场景中实现无碰撞且省时的导航。使用拓扑不变性的概念形式化。基于这种形式，我们设计了多拓扑预测 (MTP)，这是一种数据驱动的轨迹预测机制，可重建多智能体交叉场景中高似然模式的轨迹表示。我们表明，在具有挑战性的模拟数据集上，MTP 在预测精度方面优于最先进的多模态轨迹预测基线 (MFP) 78.24%。最后，我们展示了 MTP 使我们基于优化的规划器 MTPnav 能够在 CARLA 模拟器上的各种具有挑战性的交叉路口场景中实现无碰撞且省时的导航。一种数据驱动的轨迹预测机制，可重建多智能体交叉场景中高似然模式的轨迹表示。我们表明，在具有挑战性的模拟数据集上，MTP 在预测精度方面优于最先进的多模态轨迹预测基线 (MFP) 78.24%。最后，我们展示了 MTP 使我们基于优化的规划器 MTPnav 能够在 CARLA 模拟器上的各种具有挑战性的交叉路口场景中实现无碰撞且省时的导航。一种数据驱动的轨迹预测机制，可重建多智能体交叉场景中高似然模式的轨迹表示。我们表明，在具有挑战性的模拟数据集上，MTP 在预测精度方面优于最先进的多模态轨迹预测基线 (MFP) 78.24%。最后，我们展示了 MTP 使我们基于优化的规划器 MTPnav 能够在 CARLA 模拟器上的各种具有挑战性的交叉路口场景中实现无碰撞且省时的导航。