MetaTra: Meta-Learning for Generalized Trajectory Prediction in Unseen Domain

要約

軌道予測は、自動運転やロボットナビゲーションなど、さまざまな分野で広く注目を集めています。
ただし、シナリオごとに軌道パターンが大きく異なるため、既知の環​​境でトレーニングされたモデルが目に見えない環境ではたじろぐことがよくあります。
モデルの更新を必要とせずに目に見えない領域を直接処理できる一般化モデルを学習するために、私たちは MetaTra と呼ばれる新しいメタ学習ベースの軌道予測手法を提案します。
このアプローチには、デュアル トラジェクトリ トランスフォーマー (Dual-TT) が組み込まれており、これにより、個人の意図と、さまざまなシナリオにおけるグループの動作パターン内の相互作用を徹底的に調査できます。
これに基づいて、ソースドメインとターゲットドメイン間の一般化プロセスをシミュレートするメタ学習フレームワークを提案します。
さらに、予測結果の安定性を高めるために、MetaMix という名前の特徴拡張手法とともにシリアルおよびパラレル トレーニング (SPT) 戦略を提案します。
いくつかの実世界のデータセットでの実験結果により、MetaTra が他の最先端の手法を上回るだけでなく、特にドメイン一般化の領域でプラグ アンド プレイ機能も発揮できることが確認されました。

要約(オリジナル)

Trajectory prediction has garnered widespread attention in different fields, such as autonomous driving and robotic navigation. However, due to the significant variations in trajectory patterns across different scenarios, models trained in known environments often falter in unseen ones. To learn a generalized model that can directly handle unseen domains without requiring any model updating, we propose a novel meta-learning-based trajectory prediction method called MetaTra. This approach incorporates a Dual Trajectory Transformer (Dual-TT), which enables a thorough exploration of the individual intention and the interactions within group motion patterns in diverse scenarios. Building on this, we propose a meta-learning framework to simulate the generalization process between source and target domains. Furthermore, to enhance the stability of our prediction outcomes, we propose a Serial and Parallel Training (SPT) strategy along with a feature augmentation method named MetaMix. Experimental results on several real-world datasets confirm that MetaTra not only surpasses other state-of-the-art methods but also exhibits plug-and-play capabilities, particularly in the realm of domain generalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google