論文の概要: Control-Aware Prediction Objectives for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2204.13319v1
• Date: Thu, 28 Apr 2022 07:37:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-30 02:46:38.378155
• Title: Control-Aware Prediction Objectives for Autonomous Driving
• Title（参考訳）: 自律運転のための制御対応予測対象
• Authors: Rowan McAllister, Blake Wulfe, Jean Mercat, Logan Ellis, Sergey Levine, Adrien Gaidon
• Abstract要約: 本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
• 参考スコア（独自算出の注目度）: 78.19515972466063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicle software is typically structured as a modular pipeline of individual components (e.g., perception, prediction, and planning) to help separate concerns into interpretable sub-tasks. Even when end-to-end training is possible, each module has its own set of objectives used for safety assurance, sample efficiency, regularization, or interpretability. However, intermediate objectives do not always align with overall system performance. For example, optimizing the likelihood of a trajectory prediction module might focus more on easy-to-predict agents than safety-critical or rare behaviors (e.g., jaywalking). In this paper, we present control-aware prediction objectives (CAPOs), to evaluate the downstream effect of predictions on control without requiring the planner be differentiable. We propose two types of importance weights that weight the predictive likelihood: one using an attention model between agents, and another based on control variation when exchanging predicted trajectories for ground truth trajectories. Experimentally, we show our objectives improve overall system performance in suburban driving scenarios using the CARLA simulator.
• Abstract（参考訳）: 自律走行車ソフトウェアは通常、個々のコンポーネント(知覚、予測、計画など)のモジュールパイプラインとして構成され、解釈可能なサブタスクへの関心事の分離を支援する。 エンドツーエンドのトレーニングが可能であっても、各モジュールは、安全性保証、サンプル効率、正規化、解釈可能性のために、独自の目標セットを持っている。 しかし、中間目標は常にシステム全体の性能と一致しない。 例えば、軌道予測モジュールの可能性の最適化は、安全クリティカルな行動や稀な行動(例えば、ジェイウォーキング)よりも予測が容易なエージェントに焦点を当てる。 本稿では,制御に対する予測の下流効果を,プランナの識別を必要とせずに評価する制御認識予測目標(CAPO)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。 実験では,carlaシミュレータを用いて郊外運転シナリオにおけるシステム全体の性能向上を目標とする。

関連論文リスト

• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Distribution-aware Goal Prediction and Conformant Model-based Planning for Safe Autonomous Driving [16.654299927694716]
  本研究では,学習から学習までのタスクを,障害物認識と接地,分布認識の目標予測,モデルベース計画として再構築する。 CARLAシミュレータでは,CARNOVELベンチマークの最先端結果を報告する。
  論文  参考訳（メタデータ） (2022-12-16T21:51:51Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• ScePT: Scene-consistent, Policy-based Trajectory Predictions for Planning [32.71073060698739]
  軌道予測は、制御されていないエージェントと環境を共有する自律システムにとって重要である。 政策計画に基づく軌道予測モデルであるScePTを提案する。 明示的にシーンの一貫性を強制し、条件付き予測に使用できるエージェントインタラクションポリシーを学ぶ。
  論文  参考訳（メタデータ） (2022-06-18T00:00:02Z)
• TAE: A Semi-supervised Controllable Behavior-aware Trajectory Generator and Predictor [3.6955256596550137]
  軌道生成と予測は、知的車両のプランナー評価と意思決定において重要な役割を果たす。 本稿では,ドライバの動作を明示的にモデル化する行動認識型トラジェクトリ・オートエンコーダ(TAE)を提案する。 我々のモデルは、統一アーキテクチャにおける軌道生成と予測に対処し、両方のタスクに利益をもたらす。
  論文  参考訳（メタデータ） (2022-03-02T17:37:44Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• Reactive motion planning with probabilistic safety guarantees [27.91467018272684]
  本稿では,複数の非制御エージェントを用いた環境における動作計画の問題点について考察する。 制御されていないエージェントの予測モデルは、シナリオに基づいて短い地平線内で全ての可能な軌道を予測するために訓練される。 提案手法は,自動運転を模擬したシナリオにおいてシミュレーションで実証される。
  論文  参考訳（メタデータ） (2020-11-06T20:37:15Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。