A Novel Benchmarking Paradigm and a Scale- and Motion-Aware Model for Egocentric Pedestrian Trajectory Prediction

要約

歩行者の行動を予測することは、インテリジェント運転システムにとっての主な課題の 1 つです。
この論文では、自己中心的な歩行者軌道予測アルゴリズムを評価するための新しいパラダイムを紹介します。
さまざまなコンテキスト情報に基づいて、予測モデルの課題を特定するための有意義かつ体系的なアプローチのための運転シナリオを抽出します。
これに関連して、シナリオベースの評価内でより効果的なランキングを行うための新しい指標も提案します。
私たちは、さまざまなアプローチの欠点と長所を明らかにするために、これらのシナリオに関する既存のモデルについて広範な実証研究を実施します。
シナリオベースの分析は、マルチモーダルな情報源を使用することの重要性と、歩行者のエゴモーションとスケールの不適切なモデリングによって引き起こされる課題を浮き彫りにしています。
この目的を達成するために、効果的かつ効率的な段階的な階層形式で融合されたマルチモーダルなデータソースと、シーンダイナミクスのより堅牢な表現を学習するように設計された2つの補助タスクから恩恵を受ける、新しい自己中心的な軌道予測モデルを提案します。
一般的なベンチマーク データセットでの経験的評価により、私たちのアプローチは、過去の技術と比較して、困難なシナリオにおいて最大 40% の大幅な改善を達成することを示します。

要約(オリジナル)

Predicting pedestrian behavior is one of the main challenges for intelligent driving systems. In this paper, we present a new paradigm for evaluating egocentric pedestrian trajectory prediction algorithms. Based on various contextual information, we extract driving scenarios for a meaningful and systematic approach to identifying challenges for prediction models. In this regard, we also propose a new metric for more effective ranking within the scenario-based evaluation. We conduct extensive empirical studies of existing models on these scenarios to expose shortcomings and strengths of different approaches. The scenario-based analysis highlights the importance of using multimodal sources of information and challenges caused by inadequate modeling of ego-motion and scale of pedestrians. To this end, we propose a novel egocentric trajectory prediction model that benefits from multimodal sources of data fused in an effective and efficient step-wise hierarchical fashion and two auxiliary tasks designed to learn more robust representation of scene dynamics. We show that our approach achieves significant improvement by up to 40% in challenging scenarios compared to the past arts via empirical evaluation on common benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google