What Truly Matters in Trajectory Prediction for Autonomous Driving?

要約

自動運転システムにおいては、安全性の確保とスムーズなナビゲーションを実現するために、軌道予測が重要な役割を果たします。
ただし、固定データセットの予測子の精度と、下流タスクで使用した場合の運転パフォーマンスとの間には、大きな差異があることが観察されています。
この不一致は、軌道予測の現在の評価プロトコルで見落とされている 2 つの要因から生じます。1) データセットと実際の運転シナリオの間のダイナミクス ギャップ。
2) 予測子の計算効率。
現実世界のシナリオでは、予測アルゴリズムが自動運転車の動作に影響を与え、その結果、道路上の他のエージェントの動作が変化します。
この相互作用により、予測結果に直接影響を与える予測子固有のダイナミクスが生じます。
他のエージェントの応答はデータセットに基づいて事前に決定されているため、固定データセットに基づいて実行された評価と実際の運転シナリオの間には大きなダイナミクス ギャップが生じます。
さらに、精度のみに焦点を当てると、自動運転システムに必要なリアルタイム応答にとって重要な計算効率の要求に対処できなくなります。
したがって、この論文では、軌道予測に対する対話型のタスク駆動型評価アプローチが、自動運転の有効性を反映するために重要であることを実証します。

要約(オリジナル)

In the autonomous driving system, trajectory prediction plays a vital role in ensuring safety and facilitating smooth navigation. However, we observe a substantial discrepancy between the accuracy of predictors on fixed datasets and their driving performance when used in downstream tasks. This discrepancy arises from two overlooked factors in the current evaluation protocols of trajectory prediction: 1) the dynamics gap between the dataset and real driving scenario; and 2) the computational efficiency of predictors. In real-world scenarios, prediction algorithms influence the behavior of autonomous vehicles, which, in turn, alter the behaviors of other agents on the road. This interaction results in predictor-specific dynamics that directly impact prediction results. As other agents’ responses are predetermined on datasets, a significant dynamics gap arises between evaluations conducted on fixed datasets and actual driving scenarios. Furthermore, focusing solely on accuracy fails to address the demand for computational efficiency, which is critical for the real-time response required by the autonomous driving system. Therefore, in this paper, we demonstrate that an interactive, task-driven evaluation approach for trajectory prediction is crucial to reflect its efficacy for autonomous driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google