Improving Transferability for Cross-domain Trajectory Prediction via Neural Stochastic Differential Equation

要約

マルチエージェントの軌道予測はさまざまな実用化に不可欠であり、車両や歩行者を含む多くの大規模な軌道データセットの構築を促進します。
ただし、外部要因やデータ取得戦略により、データセット間に不一致が存在します。
外部要因には地理的な違いや運転スタイルが含まれ、データ収集戦略にはデータ収集速度、履歴/予測の長さ、検出器/追跡エラーが含まれます。
その結果、大規模なデータセットでトレーニングされたモデルの優れたパフォーマンスは、他の小規模なデータセットへの移行性を制限し、既存の大規模データセットの利用に限界をもたらします。
この制限に対処するために、データ取得戦略による不一致を軽減するための神経確率微分方程式 (NSDE) の連続的かつ確率的表現に基づく方法を提案します。
任意のタイム ステップを処理するために連続表現の利点を利用し、検出器/追跡エラーを処理するために確率的表現を使用します。
さらに、データセット固有の検出/追跡エラーを処理するための、データセット固有の拡散ネットワークとそのトレーニング フレームワークを提案します。
私たちの手法の有効性は、nuScenes、Argoverse、Lyft、INTERACTION、Waymo Open Motion Dataset (WOMD) などの一般的なベンチマーク データセットの最先端の軌道予測モデルに対して検証されています。
さまざまなソースおよびターゲット データセット構成でのパフォーマンスの向上は、データセット間の不一致に対処する際のアプローチの一般化された能力を示しています。

要約(オリジナル)

Multi-agent trajectory prediction is crucial for various practical applications, spurring the construction of many large-scale trajectory datasets, including vehicles and pedestrians. However, discrepancies exist among datasets due to external factors and data acquisition strategies. External factors include geographical differences and driving styles, while data acquisition strategies include data acquisition rate, history/prediction length, and detector/tracker error. Consequently, the proficient performance of models trained on large-scale datasets has limited transferability on other small-size datasets, bounding the utilization of existing large-scale datasets. To address this limitation, we propose a method based on continuous and stochastic representations of Neural Stochastic Differential Equations (NSDE) for alleviating discrepancies due to data acquisition strategy. We utilize the benefits of continuous representation for handling arbitrary time steps and the use of stochastic representation for handling detector/tracker errors. Additionally, we propose a dataset-specific diffusion network and its training framework to handle dataset-specific detection/tracking errors. The effectiveness of our method is validated against state-of-the-art trajectory prediction models on the popular benchmark datasets: nuScenes, Argoverse, Lyft, INTERACTION, and Waymo Open Motion Dataset (WOMD). Improvement in performance gain on various source and target dataset configurations shows the generalized competence of our approach in addressing cross-dataset discrepancies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google