Learning Cooperative Trajectory Representations for Motion Forecasting

要約

動きの予測は自動運転にとって不可欠なタスクであり、インフラや他の車両からの情報を利用することで予測機能を強化できます。
既存の研究は主に、単一フレームの協力情報を活用して自車両の限られた知覚能力を強化することに焦点を当てており、一方で、協力デバイスから観察される交通参加者の動きや相互作用のコンテキストは十分に活用されていません。
本稿では、協調情報からの動きとインタラクションの特徴を利用するための予測指向の表現パラダイムを提案します。
具体的には、協調運動予測のための解釈可能なエンドツーエンドの軌道特徴融合を実現する代表的なフレームワークである V2X-Graph を紹介します。
V2X-Graph は、車両からインフラストラクチャまで (V2I) シナリオの V2X-Seq で評価されます。
Vehicle to Everything (V2X) シナリオをさらに評価するために、すべてのシナリオで複数の自動運転車とインフラストラクチャを含む、初の現実世界の V2X 運動予測データセット V2X-Traj を構築します。
V2X-Seq と V2X-Traj の両方に関する実験結果は、私たちの方法の利点を示しています。
V2X-Graph と V2X-Traj の両方が協調運動予測のさらなる発展に役立つことを願っています。
https://github.com/AIR-THU/V2X-Graph でプロジェクトを見つけてください。

要約(オリジナル)

Motion forecasting is an essential task for autonomous driving, and utilizing information from infrastructure and other vehicles can enhance forecasting capabilities. Existing research mainly focuses on leveraging single-frame cooperative information to enhance the limited perception capability of the ego vehicle, while underutilizing the motion and interaction context of traffic participants observed from cooperative devices. In this paper, we propose a forecasting-oriented representation paradigm to utilize motion and interaction features from cooperative information. Specifically, we present V2X-Graph, a representative framework to achieve interpretable and end-to-end trajectory feature fusion for cooperative motion forecasting. V2X-Graph is evaluated on V2X-Seq in vehicle-to-infrastructure (V2I) scenarios. To further evaluate on vehicle-to-everything (V2X) scenario, we construct the first real-world V2X motion forecasting dataset V2X-Traj, which contains multiple autonomous vehicles and infrastructure in every scenario. Experimental results on both V2X-Seq and V2X-Traj show the advantage of our method. We hope both V2X-Graph and V2X-Traj will benefit the further development of cooperative motion forecasting. Find the project at https://github.com/AIR-THU/V2X-Graph.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google