Producing and Leveraging Online Map Uncertainty in Trajectory Prediction

要約

高解像度 (HD) マップは、ラベリングやメンテナンスに多額のコストがかかるにもかかわらず、最新の自動運転車 (AV) スタックの開発において不可欠な役割を果たしてきました。
その結果、最近の多くの研究では、センサー データからオンラインで HD マップを推定する方法が提案されており、AV が以前にマップされた領域の外で動作できるようになりました。
ただし、現在のオンライン地図推定アプローチは下流のタスクとは切り離されて開発されており、AV スタックへの統合が複雑になっています。
特に、不確実性や信頼度の推定値は生成されません。
この研究では、複数の最先端のオンライン地図推定手法を拡張して不確実性をさらに推定し、これによりオンライン マッピングと軌道予測をより緊密に統合する方法を示します。
そうすることで、不確実性を組み込むことで、実世界の nuScenes 運転データセットでトレーニングの収束が最大 50% 高速化され、予測パフォーマンスが最大 15% 向上することがわかりました。

要約(オリジナル)

High-definition (HD) maps have played an integral role in the development of modern autonomous vehicle (AV) stacks, albeit with high associated labeling and maintenance costs. As a result, many recent works have proposed methods for estimating HD maps online from sensor data, enabling AVs to operate outside of previously-mapped regions. However, current online map estimation approaches are developed in isolation of their downstream tasks, complicating their integration in AV stacks. In particular, they do not produce uncertainty or confidence estimates. In this work, we extend multiple state-of-the-art online map estimation methods to additionally estimate uncertainty and show how this enables more tightly integrating online mapping with trajectory forecasting. In doing so, we find that incorporating uncertainty yields up to 50% faster training convergence and up to 15% better prediction performance on the real-world nuScenes driving dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google