Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty

要約

動的エージェントの予測における基本的な課題の 1 つは、堅牢性です。
通常、ほとんどの予測は将来の状態を決定論的に推定したものであり、自信過剰で誤りが発生しやすいものです。
最近、将来の状態を予測する際の不確実性の把握に取り組んだ研究はほとんどありません。
ただし、これらの確率的推定方法では、追跡中の知覚データにおける上流のノイズを考慮することができません。
センサーには常にノイズがあり、悪天候や遮蔽下では状態推定がさらに困難になります。
従来、ベイズ フィルターは、ノイズの多いセンサーからの情報を融合して、関連する信念に基づいて状態を更新するために使用されてきました。
しかし、非線形性や長期予測には対処できません。
したがって、ノイズの多いセンサー測定を取得し、上流の知覚的不確実性を同時に考慮しながら、不確実性限界を伴う堅牢な将来状態予測を行うことができるエンドツーエンド推定器を提案します。
現在の研究では、知覚と予測の不確実性の両方を同時に捕捉するためのエンコーダ-デコーダベースのディープアンサンブルネットワークを検討します。
現在のモデルを他の近似ベイズ推論手法と比較しました。
全体として、ディープアンサンブルはより堅牢な予測を提供し、上流の不確実性を考慮することでモデルの推定精度がさらに向上しました。

要約(オリジナル)

One of the fundamental challenges in the prediction of dynamic agents is robustness. Usually, most predictions are deterministic estimates of future states which are over-confident and prone to error. Recently, few works have addressed capturing uncertainty during forecasting of future states. However, these probabilistic estimation methods fail to account for the upstream noise in perception data during tracking. Sensors always have noise and state estimation becomes even more difficult under adverse weather conditions and occlusion. Traditionally, Bayes filters have been used to fuse information from noisy sensors to update states with associated belief. But, they fail to address non-linearities and long-term predictions. Therefore, we propose an end-to-end estimator that can take noisy sensor measurements and make robust future state predictions with uncertainty bounds while simultaneously taking into consideration the upstream perceptual uncertainty. For the current research, we consider an encoder-decoder based deep ensemble network for capturing both perception and predictive uncertainty simultaneously. We compared the current model to other approximate Bayesian inference methods. Overall, deep ensembles provided more robust predictions and the consideration of upstream uncertainty further increased the estimation accuracy for the model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google