Deployable and Generalizable Motion Prediction: Taxonomy, Open Challenges and Future Directions

要約

モーション予測、将来のエージェントの状態またはシーンの進化の予測は、人間の認知、橋渡しの認識、意思決定に根ざしています。
これにより、ロボットや自動運転車などのインテリジェントシステムが、動的で人間が関与した環境で安全に行動し、より広範な時系列の推論の課題に通知することができます。
メソッド、表現、およびデータセットの進歩により、この分野は急速な進歩を遂げ、迅速に進化するベンチマークの結果に反映されています。
しかし、現実の世界に最先端の方法が展開されると、彼らはしばしば、オープンワールドの条件に一般化するのに苦労し、展開基準に達しません。
これにより、研究ベンチマーク間のギャップが明らかになります。これは、多くの場合、理想化または不適切なものであり、実世界の複雑さです。
このギャップに対処するために、この調査では、ロボット工学、自律運転、および人間の動きの応用に重点を置いて、モーション予測モデルの一般化と展開性を再訪します。
最初に、表現、モデリング戦略、アプリケーションドメイン、および評価プロトコルをカバーするモーション予測方法の包括的な分類法を提供します。
次に、2つの重要な課題を研究します。（1）モーション予測モデルを現実的な展開基準に展開できるようにする方法。モーション予測は真空で作用しないが、閉ループの自律スタックの1つのモジュールとして機能します – ローカリゼーションと知覚から入力し、下流の計画と管理を知らせます。
2）限定されたシナリオ/データセットからオープンワールド設定までのモーション予測モデルを一般化する方法。
論文全体を通して、将来の仕事を導くための重要なオープンな課題を強調し、コミュニティの取り組みを再調整し、測定可能であるだけでなく、実際のアプリケーションにとって意味のある進捗を促進することを目指しています。

要約(オリジナル)

Motion prediction, the anticipation of future agent states or scene evolution, is rooted in human cognition, bridging perception and decision-making. It enables intelligent systems, such as robots and self-driving cars, to act safely in dynamic, human-involved environments, and informs broader time-series reasoning challenges. With advances in methods, representations, and datasets, the field has seen rapid progress, reflected in quickly evolving benchmark results. Yet, when state-of-the-art methods are deployed in the real world, they often struggle to generalize to open-world conditions and fall short of deployment standards. This reveals a gap between research benchmarks, which are often idealized or ill-posed, and real-world complexity. To address this gap, this survey revisits the generalization and deployability of motion prediction models, with an emphasis on the applications of robotics, autonomous driving, and human motion. We first offer a comprehensive taxonomy of motion prediction methods, covering representations, modeling strategies, application domains, and evaluation protocols. We then study two key challenges: (1) how to push motion prediction models to be deployable to realistic deployment standards, where motion prediction does not act in a vacuum, but functions as one module of closed-loop autonomy stacks – it takes input from the localization and perception, and informs downstream planning and control. 2) how to generalize motion prediction models from limited seen scenarios/datasets to the open-world settings. Throughout the paper, we highlight critical open challenges to guide future work, aiming to recalibrate the community’s efforts, fostering progress that is not only measurable but also meaningful for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google