LMFormer: Lane based Motion Prediction Transformer

要約

モーション予測は、自律運転において重要な役割を果たします。
この研究では、軌道予測タスクのためのレーン対応トランスネットワークであるLMFormerを示しています。
以前の研究とは対照的に、私たちの研究は、車線に動的に優先順位を付けるための簡単なメカニズムを提供し、そのようなメカニズムがネットワークの学習行動に説明可能性を導入することを示しています。
さらに、LMFormerは、レーン構造の長距離依存関係を学習するために、交差点、レーンマージ、およびレーンスプリットでレーン接続情報を使用します。
さらに、予測された軌道を改良するという問題に対処し、積み重ねられた変圧器層を介した反復精製の効率的な方法を提案します。
ベンチマークについては、NuscenesデータセットのLMFormerを評価し、複数のメトリックでSOTAパフォーマンスを達成することを実証します。
さらに、ディープシナリオデータセットは、クロスダタセットネットワークのパフォーマンスを示すだけでなく、LMFormerの統一機能も示して、複数のデータセットでトレーニングし、パフォーマンスを向上させます。

要約(オリジナル)

Motion prediction plays an important role in autonomous driving. This study presents LMFormer, a lane-aware transformer network for trajectory prediction tasks. In contrast to previous studies, our work provides a simple mechanism to dynamically prioritize the lanes and shows that such a mechanism introduces explainability into the learning behavior of the network. Additionally, LMFormer uses the lane connection information at intersections, lane merges, and lane splits, in order to learn long-range dependency in lane structure. Moreover, we also address the issue of refining the predicted trajectories and propose an efficient method for iterative refinement through stacked transformer layers. For benchmarking, we evaluate LMFormer on the nuScenes dataset and demonstrate that it achieves SOTA performance across multiple metrics. Furthermore, the Deep Scenario dataset is used to not only illustrate cross-dataset network performance but also the unification capabilities of LMFormer to train on multiple datasets and achieve better performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google