論文の概要: Long-Tail Prediction Uncertainty Aware Trajectory Planning for Self-driving Vehicles

• arxiv url: http://arxiv.org/abs/2207.00788v1
• Date: Sat, 2 Jul 2022 10:17:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 14:43:49.947665
• Title: Long-Tail Prediction Uncertainty Aware Trajectory Planning for Self-driving Vehicles
• Title（参考訳）: 自動運転車の軌道計画における長距離予測の不確かさ
• Authors: Weitao Zhou, Zhong Cao, Nanshan Deng, Xiaoyu Liu, Kun Jiang and Diange Yang
• Abstract要約: 近年の研究では、長い尾の運転シナリオ分布の後にデータセット上で訓練されたディープラーニングモデルが、尾の予測エラーに悩まされることが示されている。 この研究は、スパースデータによる高い誤差を定量化するための予測モデルの不確実性の概念を定義する。 提案手法は,不十分なデータによる予測の不確実性の下で軌道計画の安全性を向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 12.645597960926601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A typical trajectory planner of autonomous driving usually relies on predicting the future behavior of surrounding obstacles. In recent years, prediction models based on deep learning have been widely used due to their impressive performance. However, recent studies have shown that deep learning models trained on a dataset following a long-tailed driving scenario distribution will suffer from large prediction errors in the "tails," which might lead to failures of the planner. To this end, this work defines a notion of prediction model uncertainty to quantify high errors due to sparse data. Moreover, this work proposes a trajectory planner to consider such prediction uncertainty for safer performance. Firstly, the prediction model's uncertainty due to insufficient training data is estimated by an ensemble network structure. Then a trajectory planner is designed to consider the worst-case arising from prediction uncertainty. The results show that the proposed method can improve the safety of trajectory planning under the prediction uncertainty caused by insufficient data. At the same time, with sufficient data, the framework will not lead to overly conservative results. This technology helps to improve the safety and reliability of autonomous vehicles under the long-tail data distribution of the real world.
• Abstract（参考訳）: 自動運転の典型的な軌道プランナーは通常、周囲の障害物の将来の挙動を予測することに依存する。 近年,深層学習に基づく予測モデルが注目されている。 しかし、近年の研究では、ロングテールの運転シナリオ分布に従ってデータセットでトレーニングされたディープラーニングモデルは、"テール"における大きな予測エラーに苦しめられ、プランナーの失敗に繋がる可能性がある。 この目的のために、この研究は、スパースデータによる高い誤差を定量化する予測モデルの不確実性の概念を定義する。 さらに,このような予測の不確実性を考慮した軌道プランナーを提案する。 まず、アンサンブルネットワーク構造により、トレーニングデータ不足による予測モデルの不確実性を推定する。 そして、予測の不確実性から生じる最悪のケースを考慮した軌道プランナーを設計する。 提案手法は,データ不足による予測の不確実性下での軌道計画の安全性を向上できることを示す。 同時に、十分なデータがあれば、フレームワークが保守的な結果をもたらすことはないでしょう。 この技術は、現実世界の長距離データ配信の下で自動運転車の安全性と信頼性を向上させるのに役立つ。

関連論文リスト

• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• 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)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Data Uncertainty without Prediction Models [0.8223798883838329]
  予測モデルを明示的に使用せずに、距離重み付きクラス不純物という不確実性推定手法を提案する。 距離重み付きクラス不純物は予測モデルによらず効果的に機能することを確認した。
  論文  参考訳（メタデータ） (2022-04-25T13:26:06Z)
• On Adversarial Robustness of Trajectory Prediction for Autonomous Vehicles [21.56253104577053]
  軌道予測は、安全な計画とナビゲーションを行う自動運転車にとって重要な要素である。 本稿では,予測誤差を最大化するために,通常の車両軌道を乱す新たな対向攻撃を提案する。 ケーススタディでは、敵が敵の軌道に沿って目標のAVに近い車両を運転した場合、AVは不正確な予測を行い、安全でない運転決定を行う可能性がある。
  論文  参考訳（メタデータ） (2022-01-13T16:33:04Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)
• Learning Accurate Long-term Dynamics for Model-based Reinforcement Learning [7.194382512848327]
  より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。 シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
  論文  参考訳（メタデータ） (2020-12-16T18:47:37Z)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• 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)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。