SIMF: Semantics-aware Interactive Motion Forecasting for Autonomous Driving

要約

自動運転車では、ナビゲーションに最適な決定を下すために、周囲のマルチエージェント (歩行者と車両) の動きを予測する必要があります。
既存の方法は、これらのエージェントの位置と速度を利用する技術に焦点を当てており、現場から意味論的な情報を取得できません。
さらに、シーン内のエージェントの数に伴う計算の複雑さの増加を軽減するために、一部の作品ではユークリッド距離を利用して遠く離れたエージェントを排除しています。
ただし、距離ベースのメトリクスだけでは、関連するエージェントを選択して予測を正確に実行するには不十分です。
これらの問題を解決するために、空間情報とともにセマンティクスをキャプチャし、動き予測に関連するエージェントを最適に選択するためのセマンティクスを意識した対話型モーション予測 (SIMF) 手法を提案します。
具体的には、セマンティックを意識したシーンからの関連エージェントの選択を実装し、それらをアテンション メカニズムに渡してグローバル エンコーディングを抽出することでこれを実現します。
これらのエンコーディングはエージェントのローカル情報とともにエンコーダーを通過し、将来の軌道を予測する動作ポリシーの時間依存潜在変数が取得されます。
私たちの結果は、提案されたアプローチが最先端のベースラインを上回り、シーンに一貫した方法でより正確な予測を提供することを示しています。

要約(オリジナル)

Autonomous vehicles require motion forecasting of their surrounding multi-agents (pedestrians and vehicles) to make optimal decisions for navigation. The existing methods focus on techniques to utilize the positions and velocities of these agents and fail to capture semantic information from the scene. Moreover, to mitigate the increase in computational complexity associated with the number of agents in the scene, some works leverage Euclidean distance to prune far-away agents. However, distance-based metric alone is insufficient to select relevant agents and accurately perform their predictions. To resolve these issues, we propose Semantics-aware Interactive Motion Forecasting (SIMF) method to capture semantics along with spatial information, and optimally select relevant agents for motion prediction. Specifically, we achieve this by implementing a semantic-aware selection of relevant agents from the scene and passing them through an attention mechanism to extract global encodings. These encodings along with agents’ local information are passed through an encoder to obtain time-dependent latent variables for a motion policy predicting the future trajectories. Our results show that the proposed approach outperforms state-of-the-art baselines and provides more accurate predictions in a scene-consistent manner.

arxiv情報

著者 Vidyaa Krishnan Nivash,Ahmed H. Qureshi
発行日 2023-06-26 17:54:24+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO パーマリンク