TrajectoryNAS: A Neural Architecture Search for Trajectory Prediction

要約

自動運転システムは、自動運転車の生産を可能にする急速に進化している技術です。
軌道予測は自動運転システムの重要なコンポーネントであり、自動車が安全なナビゲーションのために周囲の物体の動きを予測できるようになります。
Lidar 点群データを使用した軌道予測は、3D 情報が提供されるため、2D 画像よりも優れたパフォーマンスを発揮します。
ただし、点群データの処理は 2D 画像よりも複雑で時間がかかります。
したがって、点群データを使用した最先端の 3D 軌道予測は、予測が遅く、誤った予測になるという問題があります。
この文書では、軌跡予測に点群データを利用することに焦点を当てた先駆的な手法である TrajectoryNAS を紹介します。
TrajectoryNAS は、Neural Architecture Search (NAS) を活用することで、オブジェクトの検出、追跡、予測を一貫した方法で含む軌道予測モデルの設計を自動化します。
このアプローチは、これらのタスク間の複雑な相互依存性に対処するだけでなく、軌道モデリングにおける精度と効率の重要性も強調します。
実証研究を通じて、TrajcetoryNAS は自動運転システムのパフォーマンス向上における有効性を実証し、この分野での大きな進歩を示しています。実験の結果、TrajcetoryNAS は、NuScenes データセット上の競合手法と比較して、精度が少なくとも 4.8 高く、遅延が 1.1* 低いことが明らかになりました。

要約(オリジナル)

Autonomous driving systems are a rapidly evolving technology that enables driverless car production. Trajectory prediction is a critical component of autonomous driving systems, enabling cars to anticipate the movements of surrounding objects for safe navigation. Trajectory prediction using Lidar point-cloud data performs better than 2D images due to providing 3D information. However, processing point-cloud data is more complicated and time-consuming than 2D images. Hence, state-of-the-art 3D trajectory predictions using point-cloud data suffer from slow and erroneous predictions. This paper introduces TrajectoryNAS, a pioneering method that focuses on utilizing point cloud data for trajectory prediction. By leveraging Neural Architecture Search (NAS), TrajectoryNAS automates the design of trajectory prediction models, encompassing object detection, tracking, and forecasting in a cohesive manner. This approach not only addresses the complex interdependencies among these tasks but also emphasizes the importance of accuracy and efficiency in trajectory modeling. Through empirical studies, TrajectoryNAS demonstrates its effectiveness in enhancing the performance of autonomous driving systems, marking a significant advancement in the field.Experimental results reveal that TrajcetoryNAS yield a minimum of 4.8 higger accuracy and 1.1* lower latency over competing methods on the NuScenes dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google