Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction

要約

【タイトル】
グラフベースの軌道予測のための制約付き運動モデルの評価

【要約】
・自律運転車において、深層学習モデルは予測性能が良く、適応性がありますが、解釈性が低く、物理的な制約を犯す可能性があります。
・この問題を解決する方法として、データ駆動モデルと組み合わせて、物理的に妥当な軌跡を提供するために異なる制約付きの運動モデルを使用することがあります。
・この研究では、以前紹介されたグラフニューラルネットワークベースのMTP-GOモデルを基盤として、様々な運動モデルと数値解法の組み合わせで、軌道予測の性能を評価しました。
・研究により、低次の積分モデルなど、簡単なモデルが複雑な運動モデルよりも正確な予測を実現することが望ましいことが示されました。
・また、数値解法によって性能が大幅に変わることがわかり、Euler forwardのような一次の方法は避けることが望ましく、代わりにHeun’sのような二次の方法が予測を大幅に改善することが示唆されました。

要約(オリジナル)

Given their adaptability and encouraging performance, deep-learning models are becoming standard for motion prediction in autonomous driving. However, with great flexibility comes a lack of interpretability and possible violations of physical constraints. Accompanying these data-driven methods with differentially-constrained motion models to provide physically feasible trajectories is a promising future direction. The foundation for this work is a previously introduced graph-neural-network-based model, MTP-GO. The neural network learns to compute the inputs to an underlying motion model to provide physically feasible trajectories. This research investigates the performance of various motion models in combination with numerical solvers for the prediction task. The study shows that simpler models, such as low-order integrator models, are preferred over more complex ones, e.g., kinematic models, to achieve accurate predictions. Further, the numerical solver can have a substantial impact on performance, advising against commonly used first-order methods like Euler forward. Instead, a second-order method like Heun’s can significantly improve predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI