Less is More: Efficient Brain-Inspired Learning for Autonomous Driving Trajectory Prediction

要約

自動運転（AD）を本格的に実現するには、周囲の車両の軌跡を正確かつ安全に予測することが不可欠です。
この論文では、人間の認知プロセスをエミュレートして AD における軌道予測を改善する、Human-Like Trajectory Prediction モデル (HLTP++) を紹介します。
HLTP++ には、新しい教師と生徒の知識抽出フレームワークが組み込まれています。
適応視覚セクターを備えた「教師」モデルは、空間方向、近接性、運転速度などの要素に基づいて人間のドライバーが示す注意力の動的な割り当てを模倣します。
一方、「学生」モデルは、リアルタイムの対話と人間の意思決定に焦点を当てており、人間の記憶保存メカニズムと類似しています。
さらに、新しいフーリエ適応スパイク ニューラル ネットワーク (FA-SNN) を導入することでモデルの効率が向上し、より少ないパラメーターでより高速かつ正確な予測が可能になります。
NGSIM、HighD、および MoCAD ベンチマークを使用して評価したところ、HLTP++ は既存のモデルと比較して優れたパフォーマンスを示し、予測軌道誤差が NGSIM データセットで 11% 以上、HighD データセットで 25% 以上減少しました。
さらに、HLTP++ は、不完全な入力データを伴う困難な環境でも強力な適応性を示します。
これは、完全な AD システムに向けた大きな前進を示しています。

要約(オリジナル)

Accurately and safely predicting the trajectories of surrounding vehicles is essential for fully realizing autonomous driving (AD). This paper presents the Human-Like Trajectory Prediction model (HLTP++), which emulates human cognitive processes to improve trajectory prediction in AD. HLTP++ incorporates a novel teacher-student knowledge distillation framework. The ‘teacher’ model equipped with an adaptive visual sector, mimics the dynamic allocation of attention human drivers exhibit based on factors like spatial orientation, proximity, and driving speed. On the other hand, the ‘student’ model focuses on real-time interaction and human decision-making, drawing parallels to the human memory storage mechanism. Furthermore, we improve the model’s efficiency by introducing a new Fourier Adaptive Spike Neural Network (FA-SNN), allowing for faster and more precise predictions with fewer parameters. Evaluated using the NGSIM, HighD, and MoCAD benchmarks, HLTP++ demonstrates superior performance compared to existing models, which reduces the predicted trajectory error with over 11% on the NGSIM dataset and 25% on the HighD datasets. Moreover, HLTP++ demonstrates strong adaptability in challenging environments with incomplete input data. This marks a significant stride in the journey towards fully AD systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google