Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction via Self-Supervision

要約

正確な車両軌道予測は自動運転における未解決の問題であり、さまざまな未解決の研究課題があります。
最先端のアプローチは、ワンショットまたは段階的な方法で回帰軌道を追跡します。
通常、ワンショットアプローチはその単純さから好まれますが、複数のタイムステップを連鎖させることで構築できる強力な自己監視スキームを放棄します。
私たちは、複数の軌道セグメントが連鎖する中間点を提案することで、この問題に対処します。
私たちが提案するマルチブランチ自己教師あり予測器は、将来の中間セグメントから始まる新しい予測に関する追加のトレーニングを受けます。
さらに、モデルは、マルチモーダルな軌跡をツリー状に組み合わせながら、潜在的なコンテキストを「想像」し、「過去を予測」します。
インタラクションや環境モデリングなどの側面を意図的に単純化しながらも、INTERACTION データセットで競争力のある結果を達成しています。
さらに、まばらに調査された決定論的予測子の不確実性推定を調査します。
予測誤差と 2 つの提案された指標の間に正の相関があることがわかり、これが予測の信頼性を決定する道を開く可能性があります。

要約(オリジナル)

Accurate vehicle trajectory prediction is an unsolved problem in autonomous driving with various open research questions. State-of-the-art approaches regress trajectories either in a one-shot or step-wise manner. Although one-shot approaches are usually preferred for their simplicity, they relinquish powerful self-supervision schemes that can be constructed by chaining multiple time-steps. We address this issue by proposing a middle-ground where multiple trajectory segments are chained together. Our proposed Multi-Branch Self-Supervised Predictor receives additional training on new predictions starting at intermediate future segments. In addition, the model ‘imagines’ the latent context and ‘predicts the past’ while combining multi-modal trajectories in a tree-like manner. We deliberately keep aspects such as interaction and environment modeling simplistic and nevertheless achieve competitive results on the INTERACTION dataset. Furthermore, we investigate the sparsely explored uncertainty estimation of deterministic predictors. We find positive correlations between the prediction error and two proposed metrics, which might pave way for determining prediction confidence.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google