Challenges of Using Real-World Sensory Inputs for Motion Forecasting in Autonomous Driving

要約

動作予測は、ロボットが周囲のエージェントの将来の軌道を予測し、それに応じて計画を立てることを可能にする上で重要な役割を果たします。
ただし、既存の予測方法は、現実世界の認識パイプラインが提供できるものに忠実ではない厳選されたデータセットに依存していることがよくあります。
実際には、エージェントの検出と追跡を担当する上流モジュール、および地図を構築するために道路情報を収集するモジュールは、誤検出、追跡エラー、遠く離れたエージェントや道路要素の正確さの難しさなど、さまざまなエラーを引き起こす可能性があります。
この論文は、知覚モジュールによって入力が提供されるこのより現実的な設定に動作予測モデルを導入する際の課題を明らかにすることを目的としています。
特に、広範な評価を通じてドメインギャップの影響を定量化します。
さらに、合成摂動を設計して、その結果をより適切に特徴付けることで、上流の認識モジュールの改善が必要な領域への洞察と、より堅牢な予測方法の開発に向けた指針を提供します。

要約(オリジナル)

Motion forecasting plays a critical role in enabling robots to anticipate future trajectories of surrounding agents and plan accordingly. However, existing forecasting methods often rely on curated datasets that are not faithful to what real-world perception pipelines can provide. In reality, upstream modules that are responsible for detecting and tracking agents, and those that gather road information to build the map, can introduce various errors, including misdetections, tracking errors, and difficulties in being accurate for distant agents and road elements. This paper aims to uncover the challenges of bringing motion forecasting models to this more realistic setting where inputs are provided by perception modules. In particular, we quantify the impacts of the domain gap through extensive evaluation. Furthermore, we design synthetic perturbations to better characterize their consequences, thus providing insights into areas that require improvement in upstream perception modules and guidance toward the development of more robust forecasting methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google