DECODE: Domain-aware Continual Domain Expansion for Motion Prediction

要約

自動運転車が複雑な環境を効果的に移動し、他の交通参加者の行動を正確に予測するには、動き予測が不可欠です。
自動運転が進化し続けるにつれて、新しく多様な運転シナリオを吸収する必要があるため、再トレーニングを通じてモデルを頻繁に更新する必要があります。
これらの要求に対処するために、事前トレーニングされた一般化モデルから始まり、個別のドメインに特化したモデルを段階的に開発する新しい継続的学習フレームワークである DECODE を導入します。
多様なシナリオにわたって一般化できる統合モデルの開発を試みる既存の継続的学習アプローチとは異なり、DECODE は専門化と一般化のバランスを独自に取り、リアルタイムの需要に動的に調整します。
提案されたフレームワークは、ハイパーネットワークを利用してモデル パラメーターを生成し、ストレージ要件を大幅に削減し、尤度推定に基づいてリアルタイム モデルを選択するための正規化フロー メカニズムを組み込みます。
さらに、DECODE は、深いベイジアン不確実性推定技術を使用して、最も関連性の高い特殊化されたモデルと一般化されたモデルからの出力をマージします。
この統合により、不慣れなシナリオでも堅牢性を維持しながら、慣れた状況では最適なパフォーマンスが保証されます。
広範な評価によりフレームワークの有効性が確認され、0.044 という顕著に低い忘却率と 0.584 m の平均 minADE を達成し、従来の学習戦略を大幅に上回り、幅広い運転条件にわたる適応性を実証しました。

要約(オリジナル)

Motion prediction is critical for autonomous vehicles to effectively navigate complex environments and accurately anticipate the behaviors of other traffic participants. As autonomous driving continues to evolve, the need to assimilate new and varied driving scenarios necessitates frequent model updates through retraining. To address these demands, we introduce DECODE, a novel continual learning framework that begins with a pre-trained generalized model and incrementally develops specialized models for distinct domains. Unlike existing continual learning approaches that attempt to develop a unified model capable of generalizing across diverse scenarios, DECODE uniquely balances specialization with generalization, dynamically adjusting to real-time demands. The proposed framework leverages a hypernetwork to generate model parameters, significantly reducing storage requirements, and incorporates a normalizing flow mechanism for real-time model selection based on likelihood estimation. Furthermore, DECODE merges outputs from the most relevant specialized and generalized models using deep Bayesian uncertainty estimation techniques. This integration ensures optimal performance in familiar conditions while maintaining robustness in unfamiliar scenarios. Extensive evaluations confirm the effectiveness of the framework, achieving a notably low forgetting rate of 0.044 and an average minADE of 0.584 m, significantly surpassing traditional learning strategies and demonstrating adaptability across a wide range of driving conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google