Expanding the Deployment Envelope of Behavior Prediction via Adaptive Meta-Learning

要約

学習ベースの行動予測手法は、世界中の主要都市で商業的に運用され始めている自動運転車など、現実世界の自律システムにますます展開されています。
しかし、その進歩にもかかわらず、予測システムの大部分は、十分に調査された一連の地理的地域または運用設計ドメインに特化しており、追加の都市、国、または大陸への展開を複雑にしています。
この目的に向けて、行動予測モデルを新しい環境に効率的に適応させるための新しい方法を提示します。
私たちのアプローチは、最近のメタ学習の進歩、特にベイジアン回帰を活用して、オフラインの微調整、オンラインの適応、またはその両方を介して効率的なドメイン転送を可能にする適応レイヤーで既存の行動予測モデルを強化します。
複数の現実世界のデータセットにわたる実験は、私たちの方法がさまざまな目に見えない環境に効率的に適応できることを示しています。

要約(オリジナル)

Learning-based behavior prediction methods are increasingly being deployed in real-world autonomous systems, e.g., in fleets of self-driving vehicles, which are beginning to commercially operate in major cities across the world. Despite their advancements, however, the vast majority of prediction systems are specialized to a set of well-explored geographic regions or operational design domains, complicating deployment to additional cities, countries, or continents. Towards this end, we present a novel method for efficiently adapting behavior prediction models to new environments. Our approach leverages recent advances in meta-learning, specifically Bayesian regression, to augment existing behavior prediction models with an adaptive layer that enables efficient domain transfer via offline fine-tuning, online adaptation, or both. Experiments across multiple real-world datasets demonstrate that our method can efficiently adapt to a variety of unseen environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google