A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses

要約

軌道予測は、自動運転車の計画の安全性と効率性にとって不可欠です。
しかし、現在のモデルでは、複雑な交通ルールや潜在的な車両の動きの全範囲を完全には把握できないことがよくあります。
これらの制限に対処するために、この研究では、オフロード損失、方向一貫性エラー、およびダイバーシティ損失という 3 つの新しい損失関数を導入します。
これらの機能は、予測された経路を運転エリアの境界内に保ち、交通方向に合わせて、より多様な妥当な運転シナリオをカバーするように設計されています。
すべての予測モードは道路規則と道路条件に従う必要があるため、この研究では、すべての予測モードに損失関数を適用することで、従来の「勝者総取り」トレーニング方法の欠点を克服しています。
これらの損失関数は、モデルのトレーニングを改善するだけでなく、軌道予測の現実性と多様性を評価するための指標としても機能します。
主要なベースライン モデルを使用した nuScenes および Argoverse 2 データセットでの広範な検証により、私たちのアプローチが精度を維持するだけでなく、安全性と堅牢性が大幅に向上し、オフロード エラーが元のシーンで平均 47%、攻撃されたシーンで 37% 削減されることが実証されました。
この成果は、自動運転における軌道予測の新たなベンチマークを設定し、複雑な環境をナビゲートする際の大幅な改善を提供します。
私たちのコードは https://github.com/vita-epfl/stay-on-track で入手できます。

要約(オリジナル)

Trajectory prediction is essential for the safety and efficiency of planning in autonomous vehicles. However, current models often fail to fully capture complex traffic rules and the complete range of potential vehicle movements. Addressing these limitations, this study introduces three novel loss functions: Offroad Loss, Direction Consistency Error, and Diversity Loss. These functions are designed to keep predicted paths within driving area boundaries, aligned with traffic directions, and cover a wider variety of plausible driving scenarios. As all prediction modes should adhere to road rules and conditions, this work overcomes the shortcomings of traditional ‘winner takes all’ training methods by applying the loss functions to all prediction modes. These loss functions not only improve model training but can also serve as metrics for evaluating the realism and diversity of trajectory predictions. Extensive validation on the nuScenes and Argoverse 2 datasets with leading baseline models demonstrates that our approach not only maintains accuracy but significantly improves safety and robustness, reducing offroad errors on average by 47% on original and by 37% on attacked scenes. This work sets a new benchmark for trajectory prediction in autonomous driving, offering substantial improvements in navigating complex environments. Our code is available at https://github.com/vita-epfl/stay-on-track .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google