Dynamic Intent Queries for Motion Transformer-based Trajectory Prediction

要約

自律運転では、他の交通参加者の動きを正確に予測することが重要です。これは、車両の計画プロセスに大きな影響を与えるためです。
現代の軌道予測モデルは、エージェントとマップデータからの複雑なパターンと依存関係を解釈するよう努めています。
モーショントランス（MTR）アーキテクチャとその後の作業は、WAYMOオープンモーションベンチマークなどの一般的なベンチマークで最も正確な方法を定義します。
MTRモデルは、軌道予測の初期目標ポイントとして、事前に生成された静的意図ポイントを採用しています。
ただし、これらのポイントの静的な性質は、特定のトラフィックシナリオのMAPデータとの不整列に頻繁に整列し、実行不可能または非現実的な目標ポイントをもたらします。
私たちの研究は、シーン固有の動的意図ポイントをMTRモデルに統合することにより、この制限に対処します。
MTRモデルのこの適応は、WAYMOオープンモーションデータセットで訓練および評価されました。
私たちの調査結果は、動的意図ポイントを組み込むことは、特に長期にわたる視野にわたる予測の軌跡予測の精度に大きなプラスの影響を与えることを示しています。
さらに、マップデータに準拠していない、または違法な操作であるグラウンドトゥルースの軌跡への影響を分析します。

要約(オリジナル)

In autonomous driving, accurately predicting the movements of other traffic participants is crucial, as it significantly influences a vehicle’s planning processes. Modern trajectory prediction models strive to interpret complex patterns and dependencies from agent and map data. The Motion Transformer (MTR) architecture and subsequent work define the most accurate methods in common benchmarks such as the Waymo Open Motion Benchmark. The MTR model employs pre-generated static intention points as initial goal points for trajectory prediction. However, the static nature of these points frequently leads to misalignment with map data in specific traffic scenarios, resulting in unfeasible or unrealistic goal points. Our research addresses this limitation by integrating scene-specific dynamic intention points into the MTR model. This adaptation of the MTR model was trained and evaluated on the Waymo Open Motion Dataset. Our findings demonstrate that incorporating dynamic intention points has a significant positive impact on trajectory prediction accuracy, especially for predictions over long time horizons. Furthermore, we analyze the impact on ground truth trajectories which are not compliant with the map data or are illegal maneuvers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google