Entropy-Based Uncertainty Modeling for Trajectory Prediction in Autonomous Driving

要約

自動運転では、安全かつ効率的な動作計画を立てるために正確な動作予測が不可欠です。
安全を確保するために、計画立案者は周囲のエージェントの予測される将来の行動に関する信頼できる不確実性情報に依存する必要がありますが、この側面への注目は限定的です。
この論文は、これまで無視されてきた軌道予測における不確実性モデリングの問題に取り組みます。
私たちは、不確実性の定量化、分解、モデル構成の影響に焦点を当てた総合的なアプローチを採用しています。
私たちの方法は、不確実性を測定するための理論に基づいた情報理論的アプローチに基づいており、全体的な不確実性を偶然性と認識性の要素に分解することができます。
私たちは、さまざまなモデル アーキテクチャと構成が不確実性の定量化とモデルの堅牢性にどのような影響を与えるかを評価するために、nuScenes データセットに対して広範な実験を実施しました。

要約(オリジナル)

In autonomous driving, accurate motion prediction is essential for safe and efficient motion planning. To ensure safety, planners must rely on reliable uncertainty information about the predicted future behavior of surrounding agents, yet this aspect has received limited attention. This paper addresses the so-far neglected problem of uncertainty modeling in trajectory prediction. We adopt a holistic approach that focuses on uncertainty quantification, decomposition, and the influence of model composition. Our method is based on a theoretically grounded information-theoretic approach to measure uncertainty, allowing us to decompose total uncertainty into its aleatoric and epistemic components. We conduct extensive experiments on the nuScenes dataset to assess how different model architectures and configurations affect uncertainty quantification and model robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google