A survey on robustness in trajectory prediction for autonomous vehicles

要約

自律走行車は、ナビゲーションや衝突回避に関する意思決定プロセスに情報を提供するため、正確な軌道予測に依存している。しかし、現在の軌道予測モデルにはオーバーフィッティングの兆候が見られ、安全でない、あるいは最適でない挙動につながる可能性がある。これらの課題に対処するため、本論文では、軌道予測モデルのロバスト性の評価と改善に関する文献で使用されている定義と戦略を分類し、評価する包括的な枠組みを提示する。これには、データスライス法、摂動技法、モデルアーキテクチャの変更、学習後の調整など、様々なアプローチの詳細な調査が含まれる。文献には、安全で信頼性の高い自律走行に必要なロバスト性を向上させるための有望な手法が数多く見られる。

要約(オリジナル)

Autonomous vehicles rely on accurate trajectory prediction to inform decision-making processes related to navigation and collision avoidance. However, current trajectory prediction models show signs of overfitting, which may lead to unsafe or suboptimal behavior. To address these challenges, this paper presents a comprehensive framework that categorizes and assesses the definitions and strategies used in the literature on evaluating and improving the robustness of trajectory prediction models. This involves a detailed exploration of various approaches, including data slicing methods, perturbation techniques, model architecture changes, and post-training adjustments. In the literature, we see many promising methods for increasing robustness, which are necessary for safe and reliable autonomous driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL