KI-PMF: Knowledge Integrated Plausible Motion Forecasting

要約

自動運転車を大規模に展開するには、交通アクターの動きを正確に予測することが重要です。
現在の軌道予測アプローチは主に、特定のメトリックを使用して損失関数を最適化することに重点を置いており、その結果、物理法則に従わない予測や外部制約に違反する予測が生じる可能性があります。
私たちの目的は、ネットワークが車両の運動学的制約と運転環境の形状の両方に準拠して将来の軌道を予測できるようにする明示的な事前知識を組み込むことです。
これを達成するために、ノンパラメトリック プルーニング レイヤーとアテンション レイヤーを導入して、定義された事前知識を統合します。
私たちが提案する方法は、複雑な状況と動的な状況の両方でトラフィック アクターの到達可能性を保証するように設計されています。
物理法則に従うようにネットワークを調整することで、現実世界の設定で自動運転車の安全性と効率を維持するために不可欠な、正確で安全な予測を得ることができます。要約すると、この論文は、安全で信頼性の高い動作のためのオフロード予測を妨げる概念を示しています。
トレーニングプロセスに事前知識を組み込むことによって予測します。

要約(オリジナル)

Accurately forecasting the motion of traffic actors is crucial for the deployment of autonomous vehicles at a large scale. Current trajectory forecasting approaches primarily concentrate on optimizing a loss function with a specific metric, which can result in predictions that do not adhere to physical laws or violate external constraints. Our objective is to incorporate explicit knowledge priors that allow a network to forecast future trajectories in compliance with both the kinematic constraints of a vehicle and the geometry of the driving environment. To achieve this, we introduce a non-parametric pruning layer and attention layers to integrate the defined knowledge priors. Our proposed method is designed to ensure reachability guarantees for traffic actors in both complex and dynamic situations. By conditioning the network to follow physical laws, we can obtain accurate and safe predictions, essential for maintaining autonomous vehicles’ safety and efficiency in real-world settings.In summary, this paper presents concepts that prevent off-road predictions for safe and reliable motion forecasting by incorporating knowledge priors into the training process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google