C2F-TP: A Coarse-to-Fine Denoising Framework for Uncertainty-Aware Trajectory Prediction

要約

自動運転における安全性と信頼性を確保するには、車両の軌道を正確に予測することが非常に重要です。
最近、かなりの研究努力がなされてきましたが、動的な運転意図や多様な運転シナリオなどのさまざまな要因によって引き起こされる固有の軌道の不確実性は、依然として正確な軌道予測に大きな課題をもたらしています。
この問題に対処するために、不確実性を考慮した車両軌道予測のための粗いから細かいまでのノイズ除去フレームワークである C2F-TP を提案します。
C2F-TP は、革新的な 2 段階の粗い予測から細かい予測までのプロセスを備えています。
具体的には、時空間インタラクションの段階では、車両間のインタラクションを捕捉し、一定数のノイズの多い軌跡をサンプリングする多峰性の軌跡分布を学習するための時空間インタラクションモジュールを提案します。
次に、軌道改良段階では、条件付きノイズ除去モデルを設計し、段階的なノイズ除去操作を通じてサンプリングされた軌道の不確実性を低減します。
軌道予測に広く採用されている 2 つの実際のデータセット NGSIM と highD に対して広範な実験が行われています。
この結果は、私たちの提案の有効性を示しています。

要約(オリジナル)

Accurately predicting the trajectory of vehicles is critically important for ensuring safety and reliability in autonomous driving. Although considerable research efforts have been made recently, the inherent trajectory uncertainty caused by various factors including the dynamic driving intends and the diverse driving scenarios still poses significant challenges to accurate trajectory prediction. To address this issue, we propose C2F-TP, a coarse-to-fine denoising framework for uncertainty-aware vehicle trajectory prediction. C2F-TP features an innovative two-stage coarse-to-fine prediction process. Specifically, in the spatial-temporal interaction stage, we propose a spatial-temporal interaction module to capture the inter-vehicle interactions and learn a multimodal trajectory distribution, from which a certain number of noisy trajectories are sampled. Next, in the trajectory refinement stage, we design a conditional denoising model to reduce the uncertainty of the sampled trajectories through a step-wise denoising operation. Extensive experiments are conducted on two real datasets NGSIM and highD that are widely adopted in trajectory prediction. The result demonstrates the effectiveness of our proposal.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google