Efficient Data Representation for Motion Forecasting: A Scene-Specific Trajectory Set Approach

要約

自動運転における動作予測には、多様でありそうな将来の軌道を表現することが重要です。
ただし、コンパクトなセットでこれらの軌道を効率的に捉えることは依然として困難です。
この研究では、地図情報とアクター ダイナミクスを活用して、交差点や直線道路などのさまざまな状況に合わせた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紹介します。
決定論的な目標サンプリング アルゴリズムは関連するマップ領域を特定し、再帰的分布内サブサンプリング (RIDS) 手法は冗長な表現を圧縮することで軌道の妥当性を高めます。
Argoverse 2 データセットの実験では、私たちの方法が競合する変位誤差を維持しながら、ベースライン方法と比較して運転領域コンプライアンス (DAC) が最大 10% 向上することが実証されました。
私たちの研究では、このようなシーンを意識した軌道セットをマイニングする利点と、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それらのセットでどのように捉えることができるかに焦点を当てています。

要約(オリジナル)

Representing diverse and plausible future trajectories is critical for motion forecasting in autonomous driving. However, efficiently capturing these trajectories in a compact set remains challenging. This study introduces a novel approach for generating scene-specific trajectory sets tailored to different contexts, such as intersections and straight roads, by leveraging map information and actor dynamics. A deterministic goal sampling algorithm identifies relevant map regions, while our Recursive In-Distribution Subsampling (RIDS) method enhances trajectory plausibility by condensing redundant representations. Experiments on the Argoverse 2 dataset demonstrate that our method achieves up to a 10% improvement in Driving Area Compliance (DAC) compared to baseline methods while maintaining competitive displacement errors. Our work highlights the benefits of mining such scene-aware trajectory sets and how they could capture 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