What Truly Matters in Trajectory Prediction for Autonomous Driving?

要約

自律走行システムの性能において軌道予測は重要な役割を担っており、平均変位誤差（ADE）や最終変位誤差（FDE）などの予測精度は性能指標として広く用いられている。しかし、固定データセット上での予測精度と、予測値が車両制御の下流で使用される場合の走行性能との間には、ダイナミクスギャップが存在するため、大きな乖離が存在する。現実世界では、予測アルゴリズムが自車両の挙動に影響を与え、その挙動が近隣の他車両の挙動に影響を与えます。この相互作用により、予測結果に直接影響する予測者固有のダイナミクスが生じます。固定されたデータセットでは、他車両の応答はあらかじめ決まっているため、この相互作用効果は失われ、重大なダイナミクスのギャップにつながる。本稿では、このダイナミクスギャップの見過ごされている重要性を研究する。また、予測性能と走行性能の乖離の原因となる他のいくつかの要因についても検討する。その結果、実世界の運転性能を決定する上での予測器の計算効率と予測精度のトレードオフが浮き彫りになった。要約すると、自律走行に対する有効性を把握するためには、軌跡予測のための対話的でタスク駆動型の評価プロトコルが極めて重要である。実験設定とソースコードはオンラインで入手可能。

要約(オリジナル)

Trajectory prediction plays a vital role in the performance of autonomous driving systems, and prediction accuracy, such as average displacement error (ADE) or final displacement error (FDE), is widely used as a performance metric. However, a significant disparity exists between the accuracy of predictors on fixed datasets and driving performance when the predictors are used downstream for vehicle control, because of a dynamics gap. In the real world, the prediction algorithm influences the behavior of the ego vehicle, which, in turn, influences the behaviors of other vehicles nearby. This interaction results in predictor-specific dynamics that directly impacts prediction results. In fixed datasets, since other vehicles’ responses are predetermined, this interaction effect is lost, leading to a significant dynamics gap. This paper studies the overlooked significance of this dynamics gap. We also examine several other factors contributing to the disparity between prediction performance and driving performance. The findings highlight the trade-off between the predictor’s computational efficiency and prediction accuracy in determining real-world driving performance. In summary, an interactive, task-driven evaluation protocol for trajectory prediction is crucial to capture its effectiveness for autonomous driving. Source code along with experimental settings is available online.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL