SmartRefine: An Scenario-Adaptive Refinement Framework for Efficient Motion Prediction

要約

自動運転車 (AV) が動的で人間とロボットが混在する環境で安全に動作するには、周囲のエージェントの将来の動きを予測することが不可欠です。
道路地図や周囲のエージェントの状態などのコンテキスト情報は、動作の動作を予測するための重要な幾何学的および意味論的な情報を提供します。
この目的を達成するために、最近の研究では、最初に粗い軌道が提案され、次に軌道を改良するための重要なコンテキスト情報を選択するために使用される 2 段階の予測フレームワークが検討されています。
ただし、両方ではないにしても、大量の計算が発生するか、限られた改善がもたらされます。
この論文では、最小限の追加計算で予測を洗練するための、SmartRefine という名前の新しいシナリオ適応的洗練戦略を紹介します。
具体的には、SmartRefine は各シナリオのプロパティに基づいて絞り込み構成を包括的に適応させることができ、各シナリオの予測品質と残りの絞り込みの可能性を測定する品質スコアを導入することで絞り込みの反復回数をスマートに選択します。
SmartRefine は、ほとんどの最先端の動き予測モデルにシームレスに統合できる、汎用的で柔軟なアプローチとして設計されています。
Argoverse での実験 (1 および 2) は、私たちの方法が複数の最先端の予測モデルの予測精度を一貫して向上させることを示しています。
具体的には、SmartRefine を QCNet に追加することにより、提出時に Argoverse 2 リーダーボード (シングル エージェント トラック) で公開されているすべてのアンサンブルフリー作品を上回ります。
設計の選択を除去し、複数回の反復による改良の背後にあるメカニズムを調査するために、包括的な研究も行われます。
コードは https://github.com/opendilab/SmartRefine/ で入手できます。

要約(オリジナル)

Predicting the future motion of surrounding agents is essential for autonomous vehicles (AVs) to operate safely in dynamic, human-robot-mixed environments. Context information, such as road maps and surrounding agents’ states, provides crucial geometric and semantic information for motion behavior prediction. To this end, recent works explore two-stage prediction frameworks where coarse trajectories are first proposed, and then used to select critical context information for trajectory refinement. However, they either incur a large amount of computation or bring limited improvement, if not both. In this paper, we introduce a novel scenario-adaptive refinement strategy, named SmartRefine, to refine prediction with minimal additional computation. Specifically, SmartRefine can comprehensively adapt refinement configurations based on each scenario’s properties, and smartly chooses the number of refinement iterations by introducing a quality score to measure the prediction quality and remaining refinement potential of each scenario. SmartRefine is designed as a generic and flexible approach that can be seamlessly integrated into most state-of-the-art motion prediction models. Experiments on Argoverse (1 & 2) show that our method consistently improves the prediction accuracy of multiple state-of-the-art prediction models. Specifically, by adding SmartRefine to QCNet, we outperform all published ensemble-free works on the Argoverse 2 leaderboard (single agent track) at submission. Comprehensive studies are also conducted to ablate design choices and explore the mechanism behind multi-iteration refinement. Codes are available at https://github.com/opendilab/SmartRefine/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google