Scene-Specific Trajectory Sets: Maximizing Representation in Motion Forecasting

要約

アクターの多様でもっともらしい将来の軌跡を表現することは、自動運転における動作予測にとって重要です。
ただし、コンパクトなセットで真の弾道分布を効率的に捉えることは困難です。
この研究では、将来の俳優の行動の多様性と許容性をより適切に表現するシーン固有の軌跡セットを生成するための新しいアプローチを提案します。
私たちの方法は、地図情報とアクターのダイナミクスを活用して、交差点や非交差点などのさまざまなシーンのコンテキストに合わせて調整された複数の軌道セットを構築します。
関連するマップ領域を特定し、シーンのレイアウトに基づいて条件付けされた軌道を生成する、決定論的なゴール サンプリング アルゴリズムを導入します。
さらに、さまざまなサンプリング戦略を経験的に調査し、カバレッジと多様性の間のトレードオフを最適化するサイズを設定します。
Argoverse 2 データセットの実験では、従来の単一セットのアプローチと比較して、シーン固有のセットが多様性を維持しながら、より高い妥当性を達成できることが実証されています。
提案された再帰的分布内サブサンプリング (RIDS) 手法は、表現空間を効果的に圧縮し、軌跡の許容性の点でメトリック駆動サンプリングを上回ります。
私たちの研究では、現実世界の運転シナリオにおけるアクターの行動の複雑で不均一な性質を捉えるための、シーンを意識した軌道セット生成の利点を強調しています。

要約(オリジナル)

Representing diverse and plausible future trajectories of actors is crucial for motion forecasting in autonomous driving. However, efficiently capturing the true trajectory distribution with a compact set is challenging. In this work, we propose a novel approach for generating scene-specific trajectory sets that better represent the diversity and admissibility of future actor behavior. Our method constructs multiple trajectory sets tailored to different scene contexts, such as intersections and non-intersections, by leveraging map information and actor dynamics. We introduce a deterministic goal sampling algorithm that identifies relevant map regions and generates trajectories conditioned on the scene layout. Furthermore, we empirically investigate various sampling strategies and set sizes to optimize the trade-off between coverage and diversity. Experiments on the Argoverse 2 dataset demonstrate that our scene-specific sets achieve higher plausibility while maintaining diversity compared to traditional single-set approaches. The proposed Recursive In-Distribution Subsampling (RIDS) method effectively condenses the representation space and outperforms metric-driven sampling in terms of trajectory admissibility. Our work highlights the benefits of scene-aware trajectory set generation for capturing the complex and heterogeneous nature of actor behavior in real-world driving scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google