EqDrive: Efficient Equivariant Motion Forecasting with Multi-Modality for Autonomous Driving

要約

自動運転における車両の動きを予測するには、エージェントの相互作用とユークリッド幾何学的変換の下での動きの等分散性の保存についての深い理解が必要です。
従来のモデルには、自動運転車に固有の複雑なダイナミクスやシーン内のエージェント間の対話関係を処理するために必要な洗練さが欠けていることがよくあります。
結果として、これらのモデルのモデル容量は低くなり、予測誤差が増加し、トレーニング効率が低下します。
私たちの研究では、マルチエージェント車両運動予測のタスクに、主要な等変粒子である EqMotion と、不変エージェント相互作用も考慮した人間予測モデルを採用しています。
さらに、マルチモーダル予測メカニズムを使用して、複数の可能な将来の経路を確率的に考慮します。
EqMotion を活用することで、私たちのモデルは、少ないパラメーター (120 万) と大幅に短縮されたトレーニング時間 (2 時間未満) で最先端 (SOTA) のパフォーマンスを実現します。

要約(オリジナル)

Forecasting vehicular motions in autonomous driving requires a deep understanding of agent interactions and the preservation of motion equivariance under Euclidean geometric transformations. Traditional models often lack the sophistication needed to handle the intricate dynamics inherent to autonomous vehicles and the interaction relationships among agents in the scene. As a result, these models have a lower model capacity, which then leads to higher prediction errors and lower training efficiency. In our research, we employ EqMotion, a leading equivariant particle, and human prediction model that also accounts for invariant agent interactions, for the task of multi-agent vehicle motion forecasting. In addition, we use a multi-modal prediction mechanism to account for multiple possible future paths in a probabilistic manner. By leveraging EqMotion, our model achieves state-of-the-art (SOTA) performance with fewer parameters (1.2 million) and a significantly reduced training time (less than 2 hours).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google