Critical Example Mining for Vehicle Trajectory Prediction using Flow-based Generative Models

要約

自動運転車には、複雑な運転シナリオにおける正確な軌道予測が不可欠です。
実際には、運転シナリオが異なると、軌道予測モデルの難易度も異なります。
ただし、既存の研究のほとんどは、入力シナリオの基礎となる分布を無視して、予測結果の平均精度に焦点を当てています。
この論文では、データ駆動型のアプローチを利用して軌跡の希少性を推定する重要な例のマイニング方法を提案します。
提案された方法は、観測値の希少性推定と軌跡全体を組み合わせることで、特定の予測モデルにデータを入力する前に、予測が比較的困難なデータのサブセットを効果的に識別します。
実験結果は、異なる下流予測モデルに適用すると、マイニングされたサブセットの予測誤差が高く、5% サンプルをマイニングした場合に +108.1% の誤差 (データセットの平均と比較して 2 倍以上) に達することが示されています。
さらなる分析により、マイニングされたクリティカルな例には、急ブレーキやキャンセルされた車線変更などの珍しいケースが含まれていることが示されており、これは予測モデルの理解を深め、パフォーマンスを向上させるのに役立ちます。

要約(オリジナル)

Precise trajectory prediction in complex driving scenarios is essential for autonomous vehicles. In practice, different driving scenarios present varying levels of difficulty for trajectory prediction models. However, most existing research focuses on the average precision of prediction results, while ignoring the underlying distribution of the input scenarios. This paper proposes a critical example mining method that utilizes a data-driven approach to estimate the rareness of the trajectories. By combining the rareness estimation of observations with whole trajectories, the proposed method effectively identifies a subset of data that is relatively hard to predict BEFORE feeding them to a specific prediction model. The experimental results show that the mined subset has higher prediction error when applied to different downstream prediction models, which reaches +108.1% error (greater than two times compared to the average on dataset) when mining 5% samples. Further analysis indicates that the mined critical examples include uncommon cases such as sudden brake and cancelled lane-change, which helps to better understand and improve the performance of prediction models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google