The WayHome: Long-term Motion Prediction on Dynamically Scaled

要約

自動運転車の重要な課題の 1 つは、歩行者や他の車両など、周囲環境にある他の物体の動きを正確に予測する能力です。
この寄稿では、Gilles らの研究に触発されて、自動運転車の新しい動作予測アプローチが開発されています。
[1]。
自動運転車の周囲にいるすべての交通参加者について、ニューラルネットワーク ベースのモデルを使用して複数のヒートマップを予測します。
タイムステップごとに 1 つのヒートマップを使用します。
ヒートマップは、最も可能性の高い将来の位置に対応する座標を抽出する新しいサンプリング アルゴリズムへの入力として使用されます。
さまざまなエンコーダーとデコーダーを実験し、2 つの損失関数を比較します。
さらに、新しいグリッド スケーリング技術が導入され、パフォーマンスがさらに向上しました。
全体として、私たちのアプローチは、3 秒の機能関連予測間隔で最先端のミス率パフォーマンスを向上させながら、より長い予測間隔 (最大 8 秒) で競争力を発揮します。
評価は、公開されている 2022 Waymo motion チャレンジに対して行われます。

要約(オリジナル)

One of the key challenges for autonomous vehicles is the ability to accurately predict the motion of other objects in the surrounding environment, such as pedestrians or other vehicles. In this contribution, a novel motion forecasting approach for autonomous vehicles is developed, inspired by the work of Gilles et al. [1]. We predict multiple heatmaps with a neuralnetwork-based model for every traffic participant in the vicinity of the autonomous vehicle; with one heatmap per timestep. The heatmaps are used as input to a novel sampling algorithm that extracts coordinates corresponding to the most likely future positions. We experiment with different encoders and decoders, as well as a comparison of two loss functions. Additionally, a new grid-scaling technique is introduced, showing further improved performance. Overall, our approach improves stateof-the-art miss rate performance for the function-relevant prediction interval of 3 seconds while being competitive in longer prediction intervals (up to eight seconds). The evaluation is done on the public 2022 Waymo motion challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google