Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction

要約

正確な軌道予測は自律的な運転には不可欠ですが、エージェントの行動と知覚ノイズの不確実性は本質的に挑戦的です。
マルチモーダル軌道予測モデルは、関連する確率を持つ複数のもっともらしい将来のパスを生成しますが、不確実性を効果的に定量化することは未解決の問題のままです。
この作業では、位置とモードの確率の両方の不確実性をリアルタイムで推定する証拠的な深い学習に基づいて、新しいマルチモーダル軌道予測アプローチを提案します。
私たちのアプローチは、位置の不確実性のための通常の逆ガンマ分布とモードの不確実性のためのディリクレの分布を活用しています。
サンプリングベースのメソッドとは異なり、単一のフォワードパスに両方のタイプの不確実性を導き、効率を大幅に改善します。
さらに、不確実性駆動型の重要性サンプリングを実験して、冗長なサンプルよりも過小評価されている高逃走サンプルに優先順位を付けることにより、トレーニング効率を改善しました。
Argovers 1での方法の広範な評価を実行し、2つのデータセットをArwoverseで実行し、高い軌道予測精度を維持しながら信頼できる不確実性の推定値を提供することを示しています。

要約(オリジナル)

Accurate trajectory prediction is crucial for autonomous driving, yet uncertainty in agent behavior and perception noise makes it inherently challenging. While multi-modal trajectory prediction models generate multiple plausible future paths with associated probabilities, effectively quantifying uncertainty remains an open problem. In this work, we propose a novel multi-modal trajectory prediction approach based on evidential deep learning that estimates both positional and mode probability uncertainty in real time. Our approach leverages a Normal Inverse Gamma distribution for positional uncertainty and a Dirichlet distribution for mode uncertainty. Unlike sampling-based methods, it infers both types of uncertainty in a single forward pass, significantly improving efficiency. Additionally, we experimented with uncertainty-driven importance sampling to improve training efficiency by prioritizing underrepresented high-uncertainty samples over redundant ones. We perform extensive evaluations of our method on the Argoverse 1 and Argoverse 2 datasets, demonstrating that it provides reliable uncertainty estimates while maintaining high trajectory prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google