Learning Distributions over Trajectories for Human Behavior Prediction

要約

人間の道路利用者の将来の行動を予測することは、リスクを認識した自動運転車の開発にとって重要な側面です。
この目的に向けて多くのモデルが開発されてきましたが、人間の行動に固有の変動性を効果的に捉えて予測することは依然として未解決の課題です。
この論文では、フローの正規化に基づいた確率的軌道予測の新しいアプローチである TrajFlow を提案します。
軌跡全体の分布をキャプチャする問題を、オートエンコーダを使用して抽象化された軌跡特徴全体の分布をキャプチャする問題に再定式化し、正規化フローの学習タスクを簡素化します。
TrajFlow は、既知の真の分布を使用して 2 つの合成ベンチマークで完全な軌跡分布を捕捉する点で最先端の動作予測モデルを上回っており、自然主義的なデータセット ETH/UCY、roundD、nuScenes で競争力があります。
私たちの結果は、人間の行動の確率的予測における TrajFlow の有効性を示しています。

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, Google