Stochasticity in Motion: An Information-Theoretic Approach to Trajectory Prediction

要約

自律運転では、安全で効率的なモーション計画には、正確なモーション予測が重要です。
安全性を確保するために、プランナーは周囲のエージェントの予測される行動の信頼できる不確実性の推定値を必要としますが、この側面は限られた注目を集めています。
特に、不確実性をそのleatoricと認識論的要素に分解することは、固有の環境ランダム性とモデルの不確実性を区別するために不可欠であり、それにより、より堅牢で情報に基づいた意思決定を可能にします。
このペーパーでは、不確実性の定量化、分解、およびモデル組成の影響を強調する全体的なアプローチで、軌道予測における不確実性モデリングの課題に対処します。
情報理論に基づいた私たちの方法は、不確実性を測定し、それをaleatoricおよび認識論的な要素に分解する理論的に原則的な方法を提供します。
以前の作業とは異なり、私たちのアプローチは最先端のモーション予測因子と互換性があり、より広範な適用性が可能になります。
nuscenesデータセットで広範な実験を実施することにより、その有用性を実証します。これは、異なるアーキテクチャと構成が不確実性の定量化とモデルの堅牢性にどのように影響するかを示します。

要約(オリジナル)

In autonomous driving, accurate motion prediction is crucial for safe and efficient motion planning. To ensure safety, planners require reliable uncertainty estimates of the predicted behavior of surrounding agents, yet this aspect has received limited attention. In particular, decomposing uncertainty into its aleatoric and epistemic components is essential for distinguishing between inherent environmental randomness and model uncertainty, thereby enabling more robust and informed decision-making. This paper addresses the challenge of uncertainty modeling in trajectory prediction with a holistic approach that emphasizes uncertainty quantification, decomposition, and the impact of model composition. Our method, grounded in information theory, provides a theoretically principled way to measure uncertainty and decompose it into aleatoric and epistemic components. Unlike prior work, our approach is compatible with state-of-the-art motion predictors, allowing for broader applicability. We demonstrate its utility by conducting extensive experiments on the nuScenes dataset, which shows how different architectures and configurations influence uncertainty quantification and model robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google