Conditional Latent ODEs for Motion Prediction in Autonomous Driving

要約

この論文では、自動運転、特にマルチエージェント設定における動作予測問題の模倣学習について取り上げます。
GAN に基づく以前の方法とは異なり、条件付き潜在常微分方程式 (cLODE) を提示して、条件付き VAE の生成強度とニューラル ODE の連続表現の両方を活用します。
私たちのネットワーク アーキテクチャは Latent-ODE モデルからインスピレーションを得ています。
実験は、私たちの方法がマルチエージェント運転のシミュレーションにおいてベースライン方法を上回り、GPU メモリ消費の点で非常に効率的であることを示しています。
私たちのコードと Docker イメージは https://github.com/TruongKhang/cLODE から公開されています。
https://hub.docker.com/r/kim4375731/clode。

要約(オリジナル)

This paper addresses imitation learning for motion prediction problem in autonomous driving, especially in multi-agent setting. Different from previous methods based on GAN, we present the conditional latent ordinary differential equation (cLODE) to leverage both the generative strength of conditional VAE and the continuous representation of neural ODE. Our network architecture is inspired from the Latent-ODE model. The experiment shows that our method outperform the baseline methods in the simulation of multi-agent driving and is very efficient in term of GPU memory consumption. Our code and docker image are publicly available: https://github.com/TruongKhang/cLODE; https://hub.docker.com/r/kim4375731/clode.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google