論文の概要: Challenges of Using Real-World Sensory Inputs for Motion Forecasting in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2306.09281v1
• Date: Thu, 15 Jun 2023 17:03:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 13:48:15.977967
• Title: Challenges of Using Real-World Sensory Inputs for Motion Forecasting in Autonomous Driving
• Title（参考訳）: 自律運転における実世界感覚入力を用いた運動予測の課題
• Authors: Yihong Xu, Lo\"ick Chambon, \'Eloi Zablocki, Micka\"el Chen, Matthieu Cord, Patrick P\'erez
• Abstract要約: 動き予測は、ロボットが周囲のエージェントや計画の将来の軌道を予測できるようにする上で重要な役割を果たす。 既存の予測方法は、現実世界の知覚パイプラインが提供できるものに忠実でない、キュレートされたデータセットに依存することが多い。 本稿では、知覚モジュールによって入力が提供されるこの現実的な環境に、動き予測モデルを導入する際の課題を明らかにすることを目的とする。
• 参考スコア（独自算出の注目度）: 27.95894330588282
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Motion forecasting plays a critical role in enabling robots to anticipate future trajectories of surrounding agents and plan accordingly. However, existing forecasting methods often rely on curated datasets that are not faithful to what real-world perception pipelines can provide. In reality, upstream modules that are responsible for detecting and tracking agents, and those that gather road information to build the map, can introduce various errors, including misdetections, tracking errors, and difficulties in being accurate for distant agents and road elements. This paper aims to uncover the challenges of bringing motion forecasting models to this more realistic setting where inputs are provided by perception modules. In particular, we quantify the impacts of the domain gap through extensive evaluation. Furthermore, we design synthetic perturbations to better characterize their consequences, thus providing insights into areas that require improvement in upstream perception modules and guidance toward the development of more robust forecasting methods.
• Abstract（参考訳）: 動き予測は、ロボットが周囲のエージェントの将来の軌道や計画を予測するのに重要な役割を果たす。 しかし、既存の予測手法は、現実世界の知覚パイプラインが提供するものに忠実でないキュレートされたデータセットに依存することが多い。 実際には、エージェントの検出と追跡を担当する上流モジュールや、マップを構築するために道路情報を集めるモジュールは、誤検出、追跡エラー、遠くのエージェントや道路要素の正確さの困難など、さまざまなエラーをもたらす可能性がある。 本稿では、知覚モジュールによって入力が提供されるこの現実的な環境に、動き予測モデルを導入する際の課題を明らかにすることを目的とする。 特に、広範囲な評価により、領域ギャップの影響を定量化する。 さらに, 合成摂動を設計し, 結果のキャラクタリゼーションを向上し, 上流認識モジュールの改善を必要とする領域の洞察と, より堅牢な予測手法の開発に向けたガイダンスを提供する。

関連論文リスト

• RealTraj: Towards Real-World Pedestrian Trajectory Forecasting [10.332817296500533]
  本稿では,軌道予測の現実的適用性を高める新しいフレームワークであるRealTrajを提案する。 Det2TrajFormerは、過去の検出を入力として、ノイズの追跡に不変な軌道予測モデルである。 従来のトラジェクトリ予測手法とは異なり,本手法では,地平線検出のみを用いてモデルを微調整し,コストのかかる個人IDアノテーションの必要性を著しく低減する。
  論文  参考訳（メタデータ） (2024-11-26T12:35:26Z)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Forecasting from LiDAR via Future Object Detection [47.11167997187244]
  そこで本研究では,センサの生計測に基づく検出と動作予測のためのエンドツーエンドアプローチを提案する。 未来と現在の場所を多対一でリンクすることで、我々のアプローチは複数の未来を推論することができる。
  論文  参考訳（メタデータ） (2022-03-30T13:40:28Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• MTP: Multi-Hypothesis Tracking and Prediction for Reduced Error Propagation [39.41917241231786]
  本稿では,トラッキングモジュールと予測モジュールの結合に着目し,カスケードエラーの問題に対処する。 最先端の追跡・予測ツールを用いて,追跡による誤差が予測性能に与える影響を総合的に評価した。 このフレームワークは、nuScenesデータセット上で標準の単一仮説追跡予測パイプラインを最大34.2%改善する。
  論文  参考訳（メタデータ） (2021-10-18T17:30:59Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Learning Prediction Intervals for Model Performance [1.433758865948252]
  モデル性能の予測間隔を計算する手法を提案する。 我々は,幅広いドリフト条件におけるアプローチを評価し,競合ベースラインよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2020-12-15T21:32:03Z)

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。