DiPA: Probabilistic Multi-Modal Interactive Prediction for Autonomous Driving

要約

インタラクティブなシナリオで自動運転車を操作するには、正確な予測が重要です。
さまざまな可能性のある未来を探るプランナーからの複数の要求をサポートするには、予測が高速でなければなりません。
生成された予測は、予測された軌道の確率を正確に表す必要がありますが、さまざまな動作モード (ジャンクションで左折する場合と直進する場合など) もキャプチャする必要があります。
この目的のために、これらの困難な要件に対処するインタラクティブな予測器である DiPA を紹介します。
以前のインタラクティブな予測方法では、完全な分布を過小評価する k モード サンプルのエンコードが使用されます。
他の方法は、最も近いモードの評価を最適化します。これは、予測の 1 つがグラウンド トゥルースに似ているかどうかをテストしますが、ありそうもない予測を過剰に表現して、追加のありそうもない予測が発生することを許可します。
DiPA は、Gaussian-Mixture-Model を使用して完全な分布をエンコードし、確率論的測定と最近接モード測定の両方を使用して予測を最適化することで、これらの制限に対処します。
これらの目標はそれぞれ、確率論的精度と明確な行動を捉える能力を最適化し、それらの間には困難なトレードオフがあります。
新しいトレーニング体制を使用して、両方を一緒に解決することができます。
DiPA は、INTERACTION および NGSIM データセットで新しい最先端のパフォーマンスを実現し、最も近いモードと確率論的評価の両方を使用すると、ベースライン (MFP) よりも向上します。
これは、インタラクティブなシナリオでプランナーをサポートするための効果的な予測を示しています。

要約(オリジナル)

Accurate prediction is important for operating an autonomous vehicle in interactive scenarios. Prediction must be fast, to support multiple requests from a planner exploring a range of possible futures. The generated predictions must accurately represent the probabilities of predicted trajectories, while also capturing different modes of behaviour (such as turning left vs continuing straight at a junction). To this end, we present DiPA, an interactive predictor that addresses these challenging requirements. Previous interactive prediction methods use an encoding of k-mode-samples, which under-represents the full distribution. Other methods optimise closest-mode evaluations, which test whether one of the predictions is similar to the ground-truth, but allow additional unlikely predictions to occur, over-representing unlikely predictions. DiPA addresses these limitations by using a Gaussian-Mixture-Model to encode the full distribution, and optimising predictions using both probabilistic and closest-mode measures. These objectives respectively optimise probabilistic accuracy and the ability to capture distinct behaviours, and there is a challenging trade-off between them. We are able to solve both together using a novel training regime. DiPA achieves new state-of-the-art performance on the INTERACTION and NGSIM datasets, and improves over the baseline (MFP) when both closest-mode and probabilistic evaluations are used. This demonstrates effective prediction for supporting a planner on interactive scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google