Pedestrian motion prediction evaluation for urban autonomous driving

要約

歩行者の動きの予測は、モジュールベースの自動運転パイプラインの重要な部分であり、人間のエージェントが将来予想される軌道を安全かつ正確かつタイムリーに認識できるようにします。
自動運転車はこの情報を使用して、起こり得る事故を防止し、乗客と歩行者に快適で快適な運転体験を提供できます。
ロボット工学、コンピューター ビジョン、高度道路交通システム、その他の分野の著者らによって、このテーマに関して豊富な研究が行われました。
ただし、比較的未開発の角度は、最先端のソリューションを既存の自動運転スタックに統合し、サニタイズされたデータセットではなく現実の状況でそれらを評価することです。
私たちは、提供されたオープンソース ソリューションを使用して選択した出版物を分析し、それらを既存の自動運転フレームワークである Autoware Mini に統合し、エストニアのタルトゥの自然な都市条件で実験を実行して従来の動作予測メトリクスの価値を判断することで得られた視点を提供します。
この視点は、既存の最先端の歩行者動作予測問題の現実世界でのパフォーマンスを求める潜在的な自動運転技術者やロボット技術者にとって貴重なはずです。
データセットへのアクセス手順を含むコードは、https://github.com/dmytrozabolotnii/autoware_mini で入手できます。

要約(オリジナル)

Pedestrian motion prediction is a key part of the modular-based autonomous driving pipeline, ensuring safe, accurate, and timely awareness of human agents’ possible future trajectories. The autonomous vehicle can use this information to prevent any possible accidents and create a comfortable and pleasant driving experience for the passengers and pedestrians. A wealth of research was done on the topic from the authors of robotics, computer vision, intelligent transportation systems, and other fields. However, a relatively unexplored angle is the integration of the state-of-art solutions into existing autonomous driving stacks and evaluating them in real-life conditions rather than sanitized datasets. We analyze selected publications with provided open-source solutions and provide a perspective obtained by integrating them into existing Autonomous Driving framework – Autoware Mini and performing experiments in natural urban conditions in Tartu, Estonia to determine valuability of traditional motion prediction metrics. This perspective should be valuable to any potential autonomous driving or robotics engineer looking for the real-world performance of the existing state-of-art pedestrian motion prediction problem. The code with instructions on accessing the dataset is available at https://github.com/dmytrozabolotnii/autoware_mini.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google