Stay on Track: A Frenet Wrapper to Overcome Off-road Trajectories in Vehicle Motion Prediction

要約

観察された車両の将来の動きを予測することは、安全な自動運転を可能にする重要な要素です。
動き予測の分野は最近大きな進歩を遂げており、最先端 (sotA) モデルが大規模な公開ベンチマークで素晴らしい結果を達成しています。
しかし、最近の研究により、学習ベースの手法は困難なシナリオでオフロードの軌道を予測する傾向があることが明らかになりました。
これらは、動作履歴を変更せずに、ターゲット車両の前で追加のターンを行うことで既存のシナリオを混乱させることによって作成できます。
私たちは、これが SotA モデルが地図情報を十分に考慮していないことを示しており、車線中心線シーケンスによって定義されるフレネ フレームでモデルの入力と出力を表すことによってこの問題をどのように解決できるかを示していると主張します。
この目的を達成するために、シーンのフレネット表現を活用し、アーキテクチャを変更せずに SotA モデルに適用できる一般的なラッパーを紹介します。
2 つの SotA 動き予測モデルを使用した包括的なベンチマークで、このアプローチの有効性を実証します。
私たちの実験によると、これにより、平均的なパフォーマンスを犠牲にすることなく、困難なシナリオでのオフロード率が 90% 以上削減されることがわかりました。

要約(オリジナル)

Predicting the future motion of observed vehicles is a crucial enabler for safe autonomous driving. The field of motion prediction has seen large progress recently with state-of-the-Art (sotA) models achieving impressive results on large-scale public benchmarks. However, recent work revealed that learning-based methods are prone to predict off-road trajectories in challenging scenarios. These can be created by perturbing existing scenarios with additional turns in front of the target vehicle while the motion history is left unchanged. We argue that this indicates that SotA models do not consider the map information sufficiently and demonstrate how this can be solved by representing model inputs and outputs in a Frenet frame defined by lane centreline sequences. To this end, we present a general wrapper that leverages a Frenet representation of the scene, and that can be applied to SotA models without changing their architecture. We demonstrate the effectiveness of this approach in a comprehensive benchmark using two SotA motion prediction models. Our experiments show that this reduces the off-road rate on challenging scenarios by more than 90% without sacrificing average performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google