Learning the Distribution over Trajectories

要約

人間の道路利用者の将来の行動を予測することは、リスクを考慮した自律走行車の開発にとって重要な側面である。この目的に向けて多くのモデルが開発されているが、人間の行動に内在する変動性を効果的に捉え予測することは、依然として未解決の課題である。本稿では、正規化フローに基づく確率的軌道予測のための新しいアプローチであるTrajFlowを提案する。我々は、軌跡上の分布を捕捉する問題を、正規化フローの学習タスクを単純化し、オートエンコーダを使用して抽象化された軌跡特徴上の分布を捕捉することに再定式化する。TrajFlowは、既知の真の分布を持つ2つの合成ベンチマークにおける完全な軌跡分布の捕捉において、最先端の行動予測モデルを凌駕し、自然主義的なデータセットETH/UCY、rounD、nuScenesにおいても競争力がある。我々の結果は、人間の行動の確率的予測におけるTrajFlowの有効性を実証している。

要約(オリジナル)

Predicting the future behavior of human road users is an important aspect for the development of risk-aware autonomous vehicles. While many models have been developed towards this end, effectively capturing and predicting the variability inherent to human behavior still remains an open challenge. This paper proposes TrajFlow – a new approach for probabilistic trajectory prediction based on Normalizing Flows. We reformulate the problem of capturing distributions over trajectories into capturing distributions over abstracted trajectory features using an autoencoder, simplifying the learning task of the Normalizing Flows. TrajFlow outperforms state-of-the-art behavior prediction models in capturing full trajectory distributions in two synthetic benchmarks with known true distributions, and is competitive on the naturalistic datasets ETH/UCY, rounD, and nuScenes. Our results demonstrate the effectiveness of TrajFlow in probabilistic prediction of human behavior.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL