Road Barlow Twins: Redundancy Reduction for Road Environment Descriptors and Motion Prediction

要約

自動運転車の安全な運行を確保するには、交通機関の将来の動きを予測することが不可欠です。
新しい自己教師付き事前トレーニング方法と動き予測のためのトランスフォーマー モデルを紹介します。
私たちの方法は Barlow Twins に基づいており、HD マップから生成された埋め込みに冗長性削減原理を適用します。
さらに、冗長性を削減するための新しいアプローチを導入します。このアプローチでは、潜在的に大規模で可変の道路環境トークンのセットが、固定サイズの道路環境記述子セット (RED) に変換されます。
私たちの実験では、提案された事前トレーニング方法が minADE と minFDE を 12% と 15% 改善し、半教師あり設定で PreTraM と SimCLR による対照学習を上回るパフォーマンスを発揮できることを明らかにしました。
当社の REDMotion モデルは、MultiPath++ や Scene Transformer などの最近の関連メソッドに匹敵する結果を達成します。
コードはhttps://github.com/kit-mrt/road-barlow-twinsで入手できます。

要約(オリジナル)

Anticipating the future motion of traffic agents is vital for self-driving vehicles to ensure their safe operation. We introduce a novel self-supervised pre-training method as well as a transformer model for motion prediction. Our method is based on Barlow Twins and applies the redundancy reduction principle to embeddings generated from HD maps. Additionally, we introduce a novel approach for redundancy reduction, where a potentially large and variable set of road environment tokens is transformed into a fixed-size set of road environment descriptors (RED). Our experiments reveal that the proposed pre-training method can improve minADE and minFDE by 12% and 15% and outperform contrastive learning with PreTraM and SimCLR in a semi-supervised setting. Our REDMotion model achieves results that are competitive with those of recent related methods such as MultiPath++ or Scene Transformer. Code is available at: https://github.com/kit-mrt/road-barlow-twins

arxiv情報

提供元, 利用サービス

arxiv.jp, Google