Wayformer: Motion Forecasting via Simple & Efficient Attention Networks

总览

• 研究了3种场景encoder在不同位置的表现差异
• 研究了两种加速self-attention的方法：factorized attention和latent query attention

核心模块

环境编码

方法介绍

Late Fusion

最常用的方法，对于不同的信息，先各自做self attention。处理完后把这些feature concat起来给decoder，由decoder来做cross attention。

Early Fusion

相对早一点做fusion。还是要先经过projection，然后直接concat起来，做一个统一的self attention（实际是跨模去做attention了），每种信息给出了不同的重要程度。

Hierarchical Fusion

上面两种方式的混合。每种信息先过self attention encoder，concat起来再一起做self attention encoder。既然结构变复杂了，自然是要把模型容量控制到和上面两种做法一致才有比较的价值。需要把模型深度平分到两步attention中。

结论

• 都在multi-axis attention的情况下做实验。发现低延迟情况下，late fusion性能更好。对于小model（参数少）来说，early fusion性能更好。

注意力机制

• 环境信息编码size：\(A*T*S_{surrounding}*D\)，其中 \(A\)是待预测的agent的数量，\(T\)是历史信息时长，\(S_{surrounding}\)是agent周围交互元素的数量（包括其他agent、地图、信号灯等）
• self attention的参数量级是和序列长度的平方成正比的，直接将所有信息进行self attention非常耗时。

方法介绍

Multi-Axis Attention

• 这是baseline。做法是同时处理时空维度（\(T*S_{surrounding}\)），即把时间空间维度reshape到一起，最为耗时，所有的fusion方式的时间复杂度为\(O(T^{2}S_{surrounding}^{2})\)。

Factorized Attention

• 为了解决baseline中提到的高复杂度问题，采用了分两次计算的方法。时间维度做一次self attention，空间维度做一次self attention，这样就把复杂度里的乘法变成了加法。这样带来的麻烦是要决定一下时间和空间self attention的顺序（这也不是运算复杂度，所以无所谓）。这里比较了两种方法：Sequential attention（N个layer里面前N/2是时间attention，后N/2是空间attention），Interleaved attention（N个layer，其中时间和空间attention交替使用N/2次）。

Latent Query Attention

• 和第一种方法有点像，但是在第一个encoder block的\(Q\)项使用latent query。这个latent query把ST的维度降下来。\(KV\)的话保持了原来的\(ST\)维度，对\(Q\)而言把\(ST\)降到一个更小的维度\(L_{out}\)，也就是说总的运算复杂度降低为原来的\(L_{out}/ST\)

结论

Factorized Attention：sequential attention和interleaved attention的结果基本一样。在early和late fusion情况下，factorized attention是有帮助的。在late fusion情况下对于latency的降低有很大帮助，这是因为late fusion可以在维度tile之前做attention，attention的token数量能减少很多。

Latent Queries：采用不同的降维系数，可以把模型的速度提升2到16倍，同时没有性能下降。early和hierarchical fusion的性能更好，表示了cross modal interaction的重要性。