Transfer Learning Study of Motion Transformer-based Trajectory Predictions

要約

自動運転における軌道計画は、他の道路利用者の緊急行動の予測に大きく依存します。
現在、学習ベースの手法はシミュレーションベースの課題において目覚ましい結果を示しており、トランスベースのアーキテクチャが技術的に先頭に立っている。
しかし、最終的には、現実の世界でも予測が必要になります。
シミュレーションから現実世界への移行に加えて、多くの車両および国固有の移行、つまりセンサー システム、融合および認識アルゴリズムの違い、交通ルールや法律の違いなどが議題となっています。
すべてのシステム設定と設計領域を一度にカバーできるモデルはまだ予測できないため、モデルの適応が中心的な役割を果たします。
したがって、転移学習技術に関するシミュレーションベースの研究は、トランスフォーマーベースのモデルに基づいて行われます。
さらに、この研究は、現実世界への効果的な移行をサポートするために、計算時間とパフォーマンスの間で起こり得るトレードオフについての洞察を提供することを目的としています。

要約(オリジナル)

Trajectory planning in autonomous driving is highly dependent on predicting the emergent behavior of other road users. Learning-based methods are currently showing impressive results in simulation-based challenges, with transformer-based architectures technologically leading the way. Ultimately, however, predictions are needed in the real world. In addition to the shifts from simulation to the real world, many vehicle- and country-specific shifts, i.e. differences in sensor systems, fusion and perception algorithms as well as traffic rules and laws, are on the agenda. Since models that can cover all system setups and design domains at once are not yet foreseeable, model adaptation plays a central role. Therefore, a simulation-based study on transfer learning techniques is conducted on basis of a transformer-based model. Furthermore, the study aims to provide insights into possible trade-offs between computational time and performance to support effective transfers into the real world.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google