Closing the Loop: Motion Prediction Models beyond Open-Loop Benchmarks

要約

モーション予測の競争とベンチマークに支えられている近年、数百万のパラメーターを備えたますます大規模な学習ベースの予測モデルが出現し、オープンループ予測の精度の改善に焦点を当てています。
ただし、これらのベンチマークは、自律運転スタックに統合された場合、このような改善がパフォーマンスの向上につながるかどうかを評価できません。
この作業では、最先端のモーション予測因子とモーションプランナーとの相互作用を体系的に評価します。
我々の結果は、より高いオープンループの精度が常により良い閉ループの駆動挙動と相関するわけではなく、予測の時間的一貫性やプランナーの互換性などの他の要因も重要な役割を果たしていることを示しています。
さらに、これらのモデルの縮小されたバリアントを調査し、驚くべきことに、パラメーターが最大86％少ないモデルが同等または優れた閉ループ駆動性能を得ることがあることがわかります。
私たちのコードは、https：//github.com/continental/pred2planで入手できます。

要約(オリジナル)

Fueled by motion prediction competitions and benchmarks, recent years have seen the emergence of increasingly large learning based prediction models, many with millions of parameters, focused on improving open-loop prediction accuracy by mere centimeters. However, these benchmarks fail to assess whether such improvements translate to better performance when integrated into an autonomous driving stack. In this work, we systematically evaluate the interplay between state-of-the-art motion predictors and motion planners. Our results show that higher open-loop accuracy does not always correlate with better closed-loop driving behavior and that other factors, such as temporal consistency of predictions and planner compatibility, also play a critical role. Furthermore, we investigate downsized variants of these models, and, surprisingly, find that in some cases models with up to 86% fewer parameters yield comparable or even superior closed-loop driving performance. Our code is available at https://github.com/continental/pred2plan.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google