Benchmark for Models Predicting Human Behavior in Gap Acceptance Scenarios

要約

自動運転車は現在、交通の相互作用における人間の行動に関する不確実性によって引き起こされる、時間効率の悪い運転スタイルに悩まされています。
より効率的な軌道計画を可能にする正確で信頼性の高い予測モデルにより、自動運転車はそのような相互作用においてより積極的になる可能性があります。
ただし、そのようなモデルの評価は一般的に単純化しすぎており、予測エラーの非対称的な重要性とテストに使用されるデータセットの不均一性を無視しています。
車両間の相互作用をギャップ許容シナリオとして再キャストし、この構造化された環境でモデルを評価する可能性を調べます。
そのために、あらゆるモデル、あらゆるメトリック、あらゆるシナリオでの評価を容易にすることを目的としたフレームワークを開発します。
次に、このフレームワークを最先端の予測モデルに適用しますが、これらはすべて、最も安全性が重要な状況では信頼できないことが示されています。

要約(オリジナル)

Autonomous vehicles currently suffer from a time-inefficient driving style caused by uncertainty about human behavior in traffic interactions. Accurate and reliable prediction models enabling more efficient trajectory planning could make autonomous vehicles more assertive in such interactions. However, the evaluation of such models is commonly oversimplistic, ignoring the asymmetric importance of prediction errors and the heterogeneity of the datasets used for testing. We examine the potential of recasting interactions between vehicles as gap acceptance scenarios and evaluating models in this structured environment. To that end, we develop a framework aiming to facilitate the evaluation of any model, by any metric, and in any scenario. We then apply this framework to state-of-the-art prediction models, which all show themselves to be unreliable in the most safety-critical situations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google