Improving Autonomous Driving Safety with POP: A Framework for Accurate Partially Observed Trajectory Predictions

要約

安全で効率的な自動運転には正確な軌道予測が不可欠ですが、部分的な観測の処理には大きな課題が伴います。
これに対処するために、我々は、渋滞した都市道路シナリオのための部分観測予測 (POP) と呼ばれる新しい軌道予測フレームワークを提案します。
このフレームワークは、自己教師あり学習 (SSL) と特徴抽出という 2 つの主要な段階で構成されています。
POP は、まず SLL を使用してモデルが履歴表現を再構築することを学習できるようにし、次に微調整タスクとして特徴抽出を利用して、完全な観察で事前トレーニングされた教師モデルから、事前にトレーニングされた学生モデルに知識を転送します。
わずかな観察だけです。
POP は、開ループ実験では最高のパフォーマンスを発揮する手法と同等の結果を達成し、安全性メトリクスを含む閉ループ シミュレーションではベースライン手法を上回ります。
定性的な結果は、合理的で安全な軌道予測を提供する点での POP の優位性を示しています。

要約(オリジナル)

Accurate trajectory prediction is crucial for safe and efficient autonomous driving, but handling partial observations presents significant challenges. To address this, we propose a novel trajectory prediction framework called Partial Observations Prediction (POP) for congested urban road scenarios. The framework consists of two key stages: self-supervised learning (SSL) and feature distillation. POP first employs SLL to help the model learn to reconstruct history representations, and then utilizes feature distillation as the fine-tuning task to transfer knowledge from the teacher model, which has been pre-trained with complete observations, to the student model, which has only few observations. POP achieves comparable results to top-performing methods in open-loop experiments and outperforms the baseline method in closed-loop simulations, including safety metrics. Qualitative results illustrate the superiority of POP in providing reasonable and safe trajectory predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google