Improving the Generalizability of Trajectory Prediction Models with Frenet-Based Domain Normalization

要約

近くの物体の将来の軌道を予測することは、自動運転などのロボティクスとオートメーションにおいて極めて重要な役割を果たします。
学習ベースの軌道予測手法は公開ベンチマークで顕著なパフォーマンスを達成していますが、これらのアプローチの一般化能力には疑問が残ります。
データ駆動型アプローチのよく知られた欠陥である目に見えない領域での一般化性の低さは、軌道予測モデルの実際のパフォーマンスに悪影響を与える可能性があります。
したがって、私たちは単に平均的に高い精度を追求するのではなく、モデルの汎化能力を向上させることに意欲を持っています。
軌道予測子の汎化能力を定量化するベンチマークが不足しているため、まず、ドメインのデータ分布が大きく異なる argoverse-shift と呼ばれる新しいベンチマークを構築します。
このベンチマークを評価に使用すると、最先端のアプローチは配布外のシーンに直面すると深刻なパフォーマンス低下に悩まされるため、ドメイン シフトの問題が軌道予測子の一般化を大きく妨げていることがわかります。
ドメインシフト問題に対するモデルの堅牢性を強化するために、軌道予測におけるドメイン正規化のためのプラグアンドプレイ戦略を提案します。
私たちの戦略はモデリングにフレネ座標フレームを利用しており、道路の形状やトポロジの多様性によって生じるさまざまなシーンのドメイン ギャップを効果的に狭めることができます。
実験では、私たちの戦略が、これまでモデルでは認識できなかった領域における最先端の予測パフォーマンスを著しく向上させ、それによってデータ駆動型の軌道予測方法の一般化能力を向上させることが示されました。

要約(オリジナル)

Predicting the future trajectories of nearby objects plays a pivotal role in Robotics and Automation such as autonomous driving. While learning-based trajectory prediction methods have achieved remarkable performance on public benchmarks, the generalization ability of these approaches remains questionable. The poor generalizability on unseen domains, a well-recognized defect of data-driven approaches, can potentially harm the real-world performance of trajectory prediction models. We are thus motivated to improve generalization ability of models instead of merely pursuing high accuracy on average. Due to the lack of benchmarks for quantifying the generalization ability of trajectory predictors, we first construct a new benchmark called argoverse-shift, where the data distributions of domains are significantly different. Using this benchmark for evaluation, we identify that the domain shift problem seriously hinders the generalization of trajectory predictors since state-of-the-art approaches suffer from severe performance degradation when facing those out-of-distribution scenes. To enhance the robustness of models against domain shift problem, we propose a plug-and-play strategy for domain normalization in trajectory prediction. Our strategy utilizes the Frenet coordinate frame for modeling and can effectively narrow the domain gap of different scenes caused by the variety of road geometry and topology. Experiments show that our strategy noticeably boosts the prediction performance of the state-of-the-art in domains that were previously unseen to the models, thereby improving the generalization ability of data-driven trajectory prediction methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google