Adaptive Prediction Ensemble: Improving Out-of-Distribution Generalization of Motion Forecasting

要約

自動運転用のディープラーニングベースの軌道予測モデルは、分布外 (OOD) シナリオへの一般化に苦労することが多く、場合によっては単純なルールベースのモデルよりもパフォーマンスが劣ります。
この制限に対処するために、深層学習とルールベースの予測専門家を統合する新しいフレームワークである Adaptive Prediction Ensemble (APE) を提案します。
深層学習モデルと同時にトレーニングされた学習済みルーティング関数は、入力シナリオに基づいて最も信頼性の高い予測を動的に選択します。
Waymo Open Motion Dataset (WOMD) や Argoverse などの大規模なデータセットでの実験では、データセット全体でのゼロショット汎化の改善が実証されました。
特に長期予測や OOD データの割合が高いシナリオにおいて、私たちの方法が個々の予測モデルや他のバリアントよりも優れていることを示します。
この研究は、自動運転における堅牢かつ一般化可能な動作予測に対するハイブリッド アプローチの可能性を強調しています。

要約(オリジナル)

Deep learning-based trajectory prediction models for autonomous driving often struggle with generalization to out-of-distribution (OOD) scenarios, sometimes performing worse than simple rule-based models. To address this limitation, we propose a novel framework, Adaptive Prediction Ensemble (APE), which integrates deep learning and rule-based prediction experts. A learned routing function, trained concurrently with the deep learning model, dynamically selects the most reliable prediction based on the input scenario. Our experiments on large-scale datasets, including Waymo Open Motion Dataset (WOMD) and Argoverse, demonstrate improvement in zero-shot generalization across datasets. We show that our method outperforms individual prediction models and other variants, particularly in long-horizon prediction and scenarios with a high proportion of OOD data. This work highlights the potential of hybrid approaches for robust and generalizable motion prediction in autonomous driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google