Physics Constrained Motion Prediction with Uncertainty Quantification

要約

動的エージェントの動きを予測することは、自律システムの安全性を保証するための重要なタスクです。
特に課題となるのは、動き予測アルゴリズムが力学の制約に従い、信頼性の尺度として予測の不確実性を定量化する必要があることです。
我々は、予測された軌道が動的に実現可能であることを保証する代理動的モデルを使用する、動き予測のための物理的制約のあるアプローチを提案します。
我々は、力学制約に従う意図と軌道予測からなる 2 段階の統合を提案します。
また、一般的な統計ツールである等角予測を使用して、不確実性を定量化し、自動運転に合わせた予測領域を構築します。
物理制約付きモーション予測は、自律レーシング データセットを使用した実験で、ベースラインと比較して ADE が 41%、FDE が 56%、IoU が 19% 向上しました。

要約(オリジナル)

Predicting the motion of dynamic agents is a critical task for guaranteeing the safety of autonomous systems. A particular challenge is that motion prediction algorithms should obey dynamics constraints and quantify prediction uncertainty as a measure of confidence. We present a physics-constrained approach for motion prediction which uses a surrogate dynamical model to ensure that predicted trajectories are dynamically feasible. We propose a two-step integration consisting of intent and trajectory prediction subject to dynamics constraints. We also construct prediction regions that quantify uncertainty and are tailored for autonomous driving by using conformal prediction, a popular statistical tool. Physics Constrained Motion Prediction achieves a 41% better ADE, 56% better FDE, and 19% better IoU over a baseline in experiments using an autonomous racing dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google