Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction

要約

タイトル：
・グラフベースの軌跡予測のための微分制約モーションモデルの評価

要約：
・自動運転におけるモーション予測において、柔軟性と良好なパフォーマンスを持つディープラーニングモデルが標準化しつつあるが、柔軟性には解釈不能性や物理的制約の可能性の違反が伴う。これらのデータ駆動手法に物理的に実現可能な軌跡を提供する微分制約運動モデルを組み合わせることは、有望な方向性である。この研究の基礎となるのは、以前に紹介されたグラフニューラルネットワークベースのモデルである、MTP-GOである。ニューラルネットワークは、基礎となるモーションモデルの入力を計算することを学習し、物理的に実現可能な軌跡を提供する。この研究では、数値計算ソルバーと組み合わせたさまざまなモーションモデルの性能を調査している。調査の結果、正確な予測を実現するために、等速度モデルなどのより単純なモデルが複雑なモデルよりも好ましいことがわかった。さらに、数値ソルバーがパフォーマンスに重大な影響を与えることが判明し、Euler forwardなどの一次元法を用いることは勧められない。代わりに、Heunのような二次元法が予測を大幅に改善することが示唆される。

要約(オリジナル)

Given their flexibility and encouraging performance, deep-learning models are becoming standard for motion prediction in autonomous driving. However, with great flexibility comes a lack of interpretability and possible violations of physical constraints. Accompanying these data-driven methods with differentially-constrained motion models to provide physically feasible trajectories is a promising future direction. The foundation for this work is a previously introduced graph-neural-network-based model, MTP-GO. The neural network learns to compute the inputs to an underlying motion model to provide physically feasible trajectories. This research investigates the performance of various motion models in combination with numerical solvers for the prediction task. The study shows that simpler models, such as low-order integrator models, are preferred over more complex, e.g., kinematic models, to achieve accurate predictions. Further, the numerical solver can have a substantial impact on performance, advising against commonly used first-order methods like Euler forward. Instead, a second-order method like Heun’s can greatly improve predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI