Propagating State Uncertainty Through Trajectory Forecasting

要約

不確実性は現代のロボット自律スタックに浸透し、ほぼすべてのコンポーネント（センサー、検出、分類、追跡、行動予測など）が連続的または離散的な確率的分布を生成します。
特に軌道予測は、その入力が（ノイズの多い）上流の知覚によって生成され、その出力が下流の計画で使用するために確率的であることが多い予測であるため、不確実性に囲まれています。
ただし、ほとんどの軌道予測方法は、上流の不確実性を考慮せず、代わりに最も可能性の高い値のみを取ります。
その結果、知覚の不確実性は予測を通じて伝播されず、予測はしばしば過信になります。
これに対処するために、軌道予測に知覚状態の不確実性を組み込むための新しい方法を提示します。その重要なコンポーネントは、上流の知覚によりよく一致する不確実性の予測を促進する新しい統計的距離ベースの損失関数です。
実例となるシミュレーションと大規模な実世界のデータの両方でアプローチを評価し、予測を通じて知覚状態の不確実性を伝播し、より較正された予測を生成する効果を示します。

要約(オリジナル)

Uncertainty pervades through the modern robotic autonomy stack, with nearly every component (e.g., sensors, detection, classification, tracking, behavior prediction) producing continuous or discrete probabilistic distributions. Trajectory forecasting, in particular, is surrounded by uncertainty as its inputs are produced by (noisy) upstream perception and its outputs are predictions that are often probabilistic for use in downstream planning. However, most trajectory forecasting methods do not account for upstream uncertainty, instead taking only the most-likely values. As a result, perceptual uncertainties are not propagated through forecasting and predictions are frequently overconfident. To address this, we present a novel method for incorporating perceptual state uncertainty in trajectory forecasting, a key component of which is a new statistical distance-based loss function which encourages predicting uncertainties that better match upstream perception. We evaluate our approach both in illustrative simulations and on large-scale, real-world data, demonstrating its efficacy in propagating perceptual state uncertainty through prediction and producing more calibrated predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google