Snapshot: Towards Application-centered Models for Pedestrian Trajectory Prediction in Urban Traffic Environments

要約

この論文では、モデルの精度と現実世界の適用可能性の両方に焦点を当てながら、都市交通における歩行者の軌跡予測について検討します。
有望なアプローチは存在しますが、それらは多くの場合、交通関連情報を除外した歩行者データセットを中心に展開しているか、リアルタイム機能がないか、堅牢ではないアーキテクチャに似ています。
これらの制限に対処するために、まず、特に交通環境の歩行者を対象とした、Argoverse 2 に基づく専用のベンチマークを導入します。
これに続いて、現在の最先端技術を上回る性能を備え、使用する情報を大幅に減らしながら平均変位誤差 (ADE) を 8.8% 削減するモジュール式フィードフォワード ニューラル ネットワークである Snapshot を紹介します。
エージェント中心のエンコード方式にもかかわらず、スナップショットは、スケーラビリティ、リアルタイム パフォーマンス、およびさまざまな動作履歴に対する堅牢性を実証します。
さらに、スナップショットをモジュール式自動運転ソフトウェア スタックに統合することで、その現実世界への応用性を示します。

要約(オリジナル)

This paper explores pedestrian trajectory prediction in urban traffic while focusing on both model accuracy and real-world applicability. While promising approaches exist, they often revolve around pedestrian datasets excluding traffic-related information, or resemble architectures that are either not real-time capable or robust. To address these limitations, we first introduce a dedicated benchmark based on Argoverse 2, specifically targeting pedestrians in traffic environments. Following this, we present Snapshot, a modular, feed-forward neural network that outperforms the current state of the art, reducing the Average Displacement Error (ADE) by 8.8% while utilizing significantly less information. Despite its agent-centric encoding scheme, Snapshot demonstrates scalability, real-time performance, and robustness to varying motion histories. Moreover, by integrating Snapshot into a modular autonomous driving software stack, we showcase its real-world applicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google