Training Trajectory Predictors Without Ground-Truth Data

要約

このペーパーでは、位置、見出し、速度を正確かつスムーズに推定できるフレームワークを紹介します。
この高品質の入力を使用して、Trajectron ++に基づいたシステムを提案し、正確な軌跡予測を一貫して生成できるようにします。
トレーニングに基本的な真実データを必要とする従来のモデルとは異なり、このアプローチはこの依存関係を排除します。
私たちの分析は、質の低い入力が騒々しいと信頼できない予測につながることを示しています。これはナビゲーションモジュールに有害である可能性があります。
入力データの品質とモデル出力の両方を評価して、入力ノイズの影響を説明します。
さらに、推定システムは、データが限られている場合でも、軌道予測モデルの効果的なトレーニングを可能にし、異なる環境で堅牢な予測を生成することを示しています。
実際のシナリオに軌道予測モデルを展開するためには、正確な推定が重要であり、当社のシステムは、さまざまなアプリケーションコンテキストで意味のある信頼できる結果を保証します。

要約(オリジナル)

This paper presents a framework capable of accurately and smoothly estimating position, heading, and velocity. Using this high-quality input, we propose a system based on Trajectron++, able to consistently generate precise trajectory predictions. Unlike conventional models that require ground-truth data for training, our approach eliminates this dependency. Our analysis demonstrates that poor quality input leads to noisy and unreliable predictions, which can be detrimental to navigation modules. We evaluate both input data quality and model output to illustrate the impact of input noise. Furthermore, we show that our estimation system enables effective training of trajectory prediction models even with limited data, producing robust predictions across different environments. Accurate estimations are crucial for deploying trajectory prediction models in real-world scenarios, and our system ensures meaningful and reliable results across various application contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google