Exploiting map information for self-supervised learning in motion forecasting

要約

自己教師あり学習 (SSL) の適用に関する最近の開発に着想を得て、マップの理解と一般化を改善する目的で、グラフ接続などのマップのみの情報を利用する軌道予測の補助タスクを考案しました。
マルチタスクと事前トレーニングという 2 つのフレームワークを通じて、この補助タスクを適用します。
どちらのフレームワークでも、$\mathrm{minFDE}_6$ (最大 20.3%) や $\mathrm{MissRate}_6$ (最大 33.3%) などのメトリックでベースラインの大幅な改善が見られます。
さまざまなトレーニング構成によって実証されたマップ機能のより豊富な理解。
得られた結果は、実験に使用された 3 つのデータ セット (Argoverse、Interaction、および NuScenes) のすべてで一貫していました。
また、新しい事前トレーニング済みモデルの結果をインタラクション チャレンジに提出し、$\mathrm{minFDE}_6$ および $\mathrm{minADE}_6$ に関して $\textit{1st}$ 位を達成します。

要約(オリジナル)

Inspired by recent developments regarding the application of self-supervised learning (SSL), we devise an auxiliary task for trajectory prediction that takes advantage of map-only information such as graph connectivity with the intent of improving map comprehension and generalization. We apply this auxiliary task through two frameworks – multitasking and pretraining. In either framework we observe significant improvement of our baseline in metrics such as $\mathrm{minFDE}_6$ (as much as 20.3%) and $\mathrm{MissRate}_6$ (as much as 33.3%), as well as a richer comprehension of map features demonstrated by different training configurations. The results obtained were consistent in all three data sets used for experiments: Argoverse, Interaction and NuScenes. We also submit our new pretrained model’s results to the Interaction challenge and achieve $\textit{1st}$ place with respect to $\mathrm{minFDE}_6$ and $\mathrm{minADE}_6$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google