Vectorized Scenario Description and Motion Prediction for Scenario-Based Testing

要約

自動運転車 (AV) は、通常、速度、距離、曲線半径などのパラメーターによって指定されるさまざまなシナリオでテストされます。
このようなパラメータに依存せずにシナリオを均一に記述するために、本論文では、道路形状と車両の軌道によって定義されるベクトル化されたシナリオ記述を提案します。
この形式のデータは 3 つのシナリオに対して生成され、結合され、動き予測モデル VectorNet のトレーニングに使用され、未見のシナリオに対する AV の軌道を予測できるようになります。
シナリオ評価メトリクスを予測する VectorNet は、3 つのシナリオのデータを個別に処理する回帰モデルよりも低い誤差を部分的に実現します。
ただし、包括的な一般化を行うには、トレーニング データの十分な分散を確保する必要があります。
したがって、既存の方法とは対照的に、私たちの提案方法は、さまざまなシナリオのデータをマージし、ベクトル化されたシナリオ記述の空間的および時間的なニュアンスを活用できます。
その結果、指定されたテスト シナリオと現実世界のシナリオからのデータを比較し、組み合わせて、(予測) 分析とシナリオの選択を行うことができます。

要約(オリジナル)

Automated vehicles (AVs) are tested in diverse scenarios, typically specified by parameters such as velocities, distances, or curve radii. To describe scenarios uniformly independent of such parameters, this paper proposes a vectorized scenario description defined by the road geometry and vehicles’ trajectories. Data of this form are generated for three scenarios, merged, and used to train the motion prediction model VectorNet, allowing to predict an AV’s trajectory for unseen scenarios. Predicting scenario evaluation metrics, VectorNet partially achieves lower errors than regression models that separately process the three scenarios’ data. However, for comprehensive generalization, sufficient variance in the training data must be ensured. Thus, contrary to existing methods, our proposed method can merge diverse scenarios’ data and exploit spatial and temporal nuances in the vectorized scenario description. As a result, data from specified test scenarios and real-world scenarios can be compared and combined for (predictive) analyses and scenario selection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google