SSL-Interactions: Pretext Tasks for Interactive Trajectory Prediction

要約

この論文では、自動運転車の安全性を確保するために極めて重要な、マルチエージェント環境における動作予測について取り上げます。
従来および最近のデータ駆動型限界軌道予測手法は、非線形のエージェント間の相互作用を適切に学習するのに苦労しています。
軌道予測のための対話モデリングを強化するための口実タスクを提案する SSL-Interactions を紹介します。
エージェント インタラクションのさまざまな側面をカプセル化する 4 つのインタラクション対応口実タスク (範囲ギャップ予測、最近接距離予測、移動方向予測、インタラクション タイプ予測) を導入します。
さらに、データセットからインタラクションの多いシナリオをキュレーションするアプローチを提案します。
この厳選されたデータには 2 つの利点があります。それは、インタラクション モデルに強力な学習シグナルを提供することと、インタラクション中心の口実タスク用の疑似ラベルの生成を容易にすることです。
また、インタラクティブ シーンでの予測を評価するために特別に設計された 3 つの新しい指標も提案します。
当社の経験的評価によれば、SSL-Interactions は最先端の動き予測手法よりも定量的に優れており、インタラクションが多いシナリオでは定性的に最大 8% 向上します。

要約(オリジナル)

This paper addresses motion forecasting in multi-agent environments, pivotal for ensuring safety of autonomous vehicles. Traditional as well as recent data-driven marginal trajectory prediction methods struggle to properly learn non-linear agent-to-agent interactions. We present SSL-Interactions that proposes pretext tasks to enhance interaction modeling for trajectory prediction. We introduce four interaction-aware pretext tasks to encapsulate various aspects of agent interactions: range gap prediction, closest distance prediction, direction of movement prediction, and type of interaction prediction. We further propose an approach to curate interaction-heavy scenarios from datasets. This curated data has two advantages: it provides a stronger learning signal to the interaction model, and facilitates generation of pseudo-labels for interaction-centric pretext tasks. We also propose three new metrics specifically designed to evaluate predictions in interactive scenes. Our empirical evaluations indicate SSL-Interactions outperforms state-of-the-art motion forecasting methods quantitatively with up to 8% improvement, and qualitatively, for interaction-heavy scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google