Uncertainty estimation for Cross-dataset performance in Trajectory prediction

要約

軌道予測手法の開発には多くの作業が行われ、このタスクのベンチマークとしてさまざまなデータセットが提案されていますが、データセット全体でのこれらの手法の一般化と転送可能性については、これまでほとんど研究されていません。
このホワイトペーパーでは、4つの異なるデータセット（Argoverse、NuScenes、Interaction、Shifts）にわたる最新の2つの軌道予測手法のパフォーマンスを観察します。
この分析により、最新の軌道予測モデルの一般化可能性に関する洞察を得ることができ、実際の運転シーンをよりよく表すデータセットを分析できるため、転送性が向上します。
さらに、予測の不確実性を推定し、それを使用してデータセット全体のパフォーマンスを向上させる方法を示す新しい方法を紹介します。

要約(オリジナル)

While a lot of work has been carried on developing trajectory prediction methods, and various datasets have been proposed for benchmarking this task, little study has been done so far on the generalizability and the transferability of these methods across dataset. In this paper, we observe the performance of two of the latest state-of-the-art trajectory prediction methods across four different datasets (Argoverse, NuScenes, Interaction, Shifts). This analysis allows to gain some insights on the generalizability proprieties of most recent trajectory prediction models and to analyze which dataset is more representative of real driving scenes and therefore enables better transferability. Furthermore we present a novel method to estimate prediction uncertainty and show how it could be used to achieve better performance across datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google