SSL-Lanes: Self-Supervised Learning for Motion Forecasting in Autonomous Driving

要約

自己監視学習（SSL）は、畳み込みニューラルネットワーク（CNN）とグラフニューラルネットワーク（GNN）をトレーニングして、より転送可能で、一般化可能で、堅牢な表現学習を実現するために採用された新しい手法です。
ただし、自動運転のモーション予測におけるその可能性はほとんど検討されていません。
この研究では、モーション予測に自己監視を組み込むことの最初の体系的な調査と評価を報告します。
最初に、挑戦的な大規模なArgoverseデータセットの理論的根拠と定量的および定性的な比較を使用して、モーション予測のための4つの新しい自己監視学習タスクを調査することを提案します。
次に、補助的なSSLベースの学習セットアップは、パフォーマンスの精度の点で、トランスフォーマー、複雑な融合メカニズム、高度なオンライン高密度目標候補最適化アルゴリズムを使用する予測方法よりも優れているだけでなく、推論時間とアーキテクチャの複雑さも低いことを指摘します。
最後に、SSLがモーション予測を改善する理由を理解するためにいくつかの実験を行います。
コードは\url{https://github.com/AutoVision-cloud/SSL-Lanes}でオープンソース化されています。

要約(オリジナル)

Self-supervised learning (SSL) is an emerging technique that has been successfully employed to train convolutional neural networks (CNNs) and graph neural networks (GNNs) for more transferable, generalizable, and robust representation learning. However its potential in motion forecasting for autonomous driving has rarely been explored. In this study, we report the first systematic exploration and assessment of incorporating self-supervision into motion forecasting. We first propose to investigate four novel self-supervised learning tasks for motion forecasting with theoretical rationale and quantitative and qualitative comparisons on the challenging large-scale Argoverse dataset. Secondly, we point out that our auxiliary SSL-based learning setup not only outperforms forecasting methods which use transformers, complicated fusion mechanisms and sophisticated online dense goal candidate optimization algorithms in terms of performance accuracy, but also has low inference time and architectural complexity. Lastly, we conduct several experiments to understand why SSL improves motion forecasting. Code is open-sourced at \url{https://github.com/AutoVision-cloud/SSL-Lanes}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google