Diverse Multiple Trajectory Prediction Using a Two-stage Prediction Network Trained with Lane Loss

要約

自律走行における運動予測の分野での先行研究では、グランドトゥルース軌道に近い軌道を求めることに焦点が当てられる傾向にある。しかし、このような問題定式化やアプローチは、多様性の喪失や偏った軌跡予測につながることが多い。そのため、多様で路面に依存したマルチモーダルな軌跡予測が安全上重要となる実環境の自律走行には不向きである。そこで、本研究では、地図適応的な多様性を確保し、幾何学的制約に対応した新しい損失関数、閾値｛Lane Loss｝を提案する。Lane Lossを用いた新しい軌道候補提案モジュール(Trajectory Prediction Attention (TPA))による2段階の軌道予測アーキテクチャの学習により、複数の軌道が多様に分布し、地図を意識して実現可能な操縦をカバーすることが促されます。さらに、既存の軌道性能評価指標が、グランドトゥルースの未来軌道に基づく精度評価に集中していることを考慮し、予測された複数の軌道の多様性を評価するための定量的評価指標も提案する。Argoverseデータセットを用いて行った実験の結果、提案手法は予測精度を犠牲にすることなく、予測される軌道の多様性を大幅に向上させることが示された。

要約(オリジナル)

Prior arts in the field of motion predictions for autonomous driving tend to focus on finding a trajectory that is close to the ground truth trajectory. Such problem formulations and approaches, however, frequently lead to loss of diversity and biased trajectory predictions. Therefore, they are unsuitable for real-world autonomous driving where diverse and road-dependent multimodal trajectory predictions are critical for safety. To this end, this study proposes a novel loss function, \textit{Lane Loss}, that ensures map-adaptive diversity and accommodates geometric constraints. A two-stage trajectory prediction architecture with a novel trajectory candidate proposal module, \textit{Trajectory Prediction Attention (TPA)}, is trained with Lane Loss encourages multiple trajectories to be diversely distributed, covering feasible maneuvers in a map-aware manner. Furthermore, considering that the existing trajectory performance metrics are focusing on evaluating the accuracy based on the ground truth future trajectory, a quantitative evaluation metric is also suggested to evaluate the diversity of predicted multiple trajectories. The experiments performed on the Argoverse dataset show that the proposed method significantly improves the diversity of the predicted trajectories without sacrificing the prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL