MTD: Multi-Timestep Detector for Delayed Streaming Perception

要約

自動運転システムでは、ユーザーの安全性とエクスペリエンスを確保するために、リアルタイムの環境認識が必要です。
ストリーミング認識は世界の現状を報告するタスクであり、自動運転システムの遅延と精度を評価するために使用されます。
実際のアプリケーションでは、ハードウェアの制限や高温などの要因により、必然的に自動運転システムに遅延が生じ、その結果、モデルの出力と世界の状態との間にオフセットが生じます。
この問題を解決するために、この論文では、マルチタイムステップ検出器 (MTD) を提案します。これは、マルチブランチの将来予測に動的ルーティングを使用し、遅延変動に耐える機能をモデルに与えるエンドツーエンドの検出器です。
遅延解析モジュール (DAM) は、モデル推論スタックを継続的に監視し、遅延傾向を計算することで、既存の遅延検出方法を最適化するために提案されています。
さらに、新しいタイムステップ分岐モジュール (TBM) が構築されます。これには、遅延傾向に従って特定のタイムステップを適応的に予測するための静的フローと適応フローが含まれます。
提案された手法は Argoverse-HD データセットで評価され、実験結果はさまざまな遅延設定にわたって最先端のパフォーマンスを達成したことを示しています。

要約(オリジナル)

Autonomous driving systems require real-time environmental perception to ensure user safety and experience. Streaming perception is a task of reporting the current state of the world, which is used to evaluate the delay and accuracy of autonomous driving systems. In real-world applications, factors such as hardware limitations and high temperatures inevitably cause delays in autonomous driving systems, resulting in the offset between the model output and the world state. In order to solve this problem, this paper propose the Multi- Timestep Detector (MTD), an end-to-end detector which uses dynamic routing for multi-branch future prediction, giving model the ability to resist delay fluctuations. A Delay Analysis Module (DAM) is proposed to optimize the existing delay sensing method, continuously monitoring the model inference stack and calculating the delay trend. Moreover, a novel Timestep Branch Module (TBM) is constructed, which includes static flow and adaptive flow to adaptively predict specific timesteps according to the delay trend. The proposed method has been evaluated on the Argoverse-HD dataset, and the experimental results show that it has achieved state-of-the-art performance across various delay settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google