Improving Autonomous Driving Safety with POP: A Framework for Accurate Partially Observed Trajectory Predictions

要約

安全で効率的な自動運転には正確な軌道予測が不可欠ですが、部分的な観測の処理には大きな課題が伴います。
これに対処するために、我々は、渋滞した都市道路シナリオのための部分観測予測 (POP) と呼ばれる新しい軌道予測フレームワークを提案します。
このフレームワークは、自己教師あり学習 (SSL) と特徴抽出の 2 つの段階で構成されます。
SSL では、再構成ブランチは、マスク手順と再構成ヘッドを使用して、部分的な観測の隠された履歴を再構成します。
特徴抽出ステージでは、完全に観察された教師モデルから部分的に観察された生徒モデルに知識が伝達され、予測精度が向上します。
POP は、開ループ実験では最高のパフォーマンスを発揮する手法と同等の結果を達成し、安全性メトリクスを含む閉ループ シミュレーションではベースライン手法を上回ります。
定性的な結果は、合理的で安全な軌道予測を提供する点での POP の優位性を示しています。

要約(オリジナル)

Accurate trajectory prediction is crucial for safe and efficient autonomous driving, but handling partial observations presents significant challenges. To address this, we propose a novel trajectory prediction framework called Partial Observations Prediction (POP) for congested urban road scenarios. The framework consists of two stages: self-supervised learning (SSL) and feature distillation. In SSL, a reconstruction branch reconstructs the hidden history of partial observations using a mask procedure and reconstruction head. The feature distillation stage transfers knowledge from a fully observed teacher model to a partially observed student model, improving prediction accuracy. POP achieves comparable results to top-performing methods in open-loop experiments and outperforms the baseline method in closed-loop simulations, including safety metrics. Qualitative results illustrate the superiority of POP in providing reasonable and safe trajectory predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google