Learning Through Retrospection: Improving Trajectory Prediction for Automated Driving with Error Feedback

要約

自動運転では、周囲の車両の軌跡を予測することは、シーンのダイナミクスに関する推論をサポートし、エゴ車両の安全な計画を可能にします。
ただし、既存のモデルは、観察された情報に基づいて将来の軌跡を予測する瞬間的なタスクとして予測を処理します。
時間が経過すると、次の予測は前の予測とは独立して行われます。つまり、モデルは推論中にエラーを修正できず、繰り返します。
この問題を軽減し、一時的なデータをよりよく活用するために、新しい回顧技術を提案します。
閉ループロールアウトのトレーニングを通じて、モデルは集約されたフィードバックを使用することを学びます。
新しい観察結果を考えると、それは以前の予測を反映し、そのエラーを分析して、その後の予測の品質を改善します。
したがって、モデルは、推論中に体系的なエラーを修正することを学ぶことができます。
ヌスセンとアラウブに関する包括的な実験は、遡及のない最先端のベースラインと比較して、最大31.9％の最小平均変位誤差の大幅な減少を示しています。
さらに、検出されていない道路ユーザーを使用して、分散型シナリオをより適切に処理することを実証することにより、テクニックの堅牢性をさらに紹介します。

要約(オリジナル)

In automated driving, predicting trajectories of surrounding vehicles supports reasoning about scene dynamics and enables safe planning for the ego vehicle. However, existing models handle predictions as an instantaneous task of forecasting future trajectories based on observed information. As time proceeds, the next prediction is made independently of the previous one, which means that the model cannot correct its errors during inference and will repeat them. To alleviate this problem and better leverage temporal data, we propose a novel retrospection technique. Through training on closed-loop rollouts the model learns to use aggregated feedback. Given new observations it reflects on previous predictions and analyzes its errors to improve the quality of subsequent predictions. Thus, the model can learn to correct systematic errors during inference. Comprehensive experiments on nuScenes and Argoverse demonstrate a considerable decrease in minimum Average Displacement Error of up to 31.9% compared to the state-of-the-art baseline without retrospection. We further showcase the robustness of our technique by demonstrating a better handling of out-of-distribution scenarios with undetected road-users.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google