LMR: Lane Distance-Based Metric for Trajectory Prediction

要約

タイトル：LMR：トラジェクトリ予測のためのレーン距離ベースのメトリック

要約：
– トラジェクトリ予測のアプローチの開発には、性能を検証および比較するためのメトリックが必要です。
– 現在確立されているメトリックはユークリッド距離に基づいており、すべての方向で誤差が等しく重み付けされています。
– ユークリッドメトリックは、道路などの構造化された環境には適しておらず、エージェントの意図を正確に捉えることができません。
– これに対応して、下流の計画タスクに関してトラジェクトリ予測アプローチを合理的に評価するために、レーン距離ベースの新しいメトリックであるレーンミス率（LMR）を提案します。
– LMRを計算するには、グラウンドトゥルースおよび予測エンドポイントをレーンセグメント（特にセンターライン）に割り当てます。
– レーンセグメントに沿った距離によって測定され、一定の閾値距離内にある予測は当たりと数えられ、そうでない場合はミスと数えられます。
– LMRは、ミスを生成するシーケンスの比率として定義されます。
– 3つの最先端のトラジェクトリ予測モデルの結果は、LMRがユークリッド距離ベースのメトリックの順序を維持することを示しています。
– ユークリッド・ミス率とは対照的に、質的な結果は、予測が誤ったレーンに位置する場合にはミスを示し、正しいレーンに位置する場合にはヒットを示します。
– これは、LMRがユークリッド誤差をレーンに対して相対的に重み付けし、交通エージェントの意図を捉える方向に進んでいることを意味します。
– Argoverse 2のLMRのソースコードは公開されています。

要約(オリジナル)

The development of approaches for trajectory prediction requires metrics to validate and compare their performance. Currently established metrics are based on Euclidean distance, which means that errors are weighted equally in all directions. Euclidean metrics are insufficient for structured environments like roads, since they do not properly capture the agent’s intent relative to the underlying lane. In order to provide a reasonable assessment of trajectory prediction approaches with regard to the downstream planning task, we propose a new metric that is lane distance-based: Lane Miss Rate (LMR). For the calculation of LMR, the ground-truth and predicted endpoints are assigned to lane segments, more precisely their centerlines. Measured by the distance along the lane segments, predictions that are within a certain threshold distance to the ground-truth count as hits, otherwise they count as misses. LMR is then defined as the ratio of sequences that yield a miss. Our results on three state-of-the-art trajectory prediction models show that LMR preserves the order of Euclidean distance-based metrics. In contrast to the Euclidean Miss Rate, qualitative results show that LMR yields misses for sequences where predictions are located on wrong lanes. Hits on the other hand result for sequences where predictions are located on the correct lane. This means that LMR implicitly weights Euclidean error relative to the lane and goes into the direction of capturing intents of traffic agents. The source code of LMR for Argoverse 2 is publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI