論文の概要: Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive?
- arxiv url: http://arxiv.org/abs/2306.09281v4
- Date: Tue, 5 Mar 2024 11:39:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 03:17:28.172998
- Title: Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive?
- Title（参考訳）: 実世界の知覚入力による動き予測に向けて:エンドツーエンドアプローチは競争的であるか?
- Authors: Yihong Xu, Lo\"ick Chambon, \'Eloi Zablocki, Micka\"el Chen, Alexandre
Alahi, Matthieu Cord, Patrick P\'erez
- Abstract要約: 実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
- 参考スコア（独自算出の注目度）: 93.10694819127608
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Motion forecasting is crucial in enabling autonomous vehicles to anticipate
the future trajectories of surrounding agents. To do so, it requires solving
mapping, detection, tracking, and then forecasting problems, in a multi-step
pipeline. In this complex system, advances in conventional forecasting methods
have been made using curated data, i.e., with the assumption of perfect maps,
detection, and tracking. This paradigm, however, ignores any errors from
upstream modules. Meanwhile, an emerging end-to-end paradigm, that tightly
integrates the perception and forecasting architectures into joint training,
promises to solve this issue. However, the evaluation protocols between the two
methods were so far incompatible and their comparison was not possible. In
fact, conventional forecasting methods are usually not trained nor tested in
real-world pipelines (e.g., with upstream detection, tracking, and mapping
modules). In this work, we aim to bring forecasting models closer to the
real-world deployment. First, we propose a unified evaluation pipeline for
forecasting methods with real-world perception inputs, allowing us to compare
conventional and end-to-end methods for the first time. Second, our in-depth
study uncovers a substantial performance gap when transitioning from curated to
perception-based data. In particular, we show that this gap (1) stems not only
from differences in precision but also from the nature of imperfect inputs
provided by perception modules, and that (2) is not trivially reduced by simply
finetuning on perception outputs. Based on extensive experiments, we provide
recommendations for critical areas that require improvement and guidance
towards more robust motion forecasting in the real world. The evaluation
library for benchmarking models under standardized and practical conditions is
provided: \url{https://github.com/valeoai/MFEval}.
- Abstract（参考訳）: 動き予測は、自動運転車が周囲のエージェントの将来の軌道を予測できるようにするのに不可欠である。
そのためには、マッピング、検出、追跡、そして問題予測を、マルチステップパイプラインで解決する必要がある。
この複雑なシステムでは, 完全地図, 検出, 追跡を前提に, キュレーションデータを用いて従来の予測手法の進歩がみられた。
しかし、このパラダイムは上流モジュールからのエラーを無視する。
一方、アーキテクチャの認識と予測を緊密に統合したエンドツーエンドパラダイムは、この問題を解決することを約束している。
しかし,両手法間の評価プロトコルの互換性は認められず,比較は不可能であった。
実際、従来の予測手法は通常、実世界のパイプライン(上流検出、追跡、マッピングモジュールなど)でトレーニングやテストが行われていない。
本研究は,実世界の展開に予測モデルを近づけることを目的としている。
まず,実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案し,従来の手法とエンドツーエンドの手法を初めて比較できるようにした。
第2に、我々の詳細な研究は、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップを明らかにする。
特に、このギャップ(1)は、精度の差だけでなく、知覚モジュールが提供する不完全な入力の性質にも起因しており、(2)単に知覚出力を微調整するだけで、自明に減少しないことを示す。
広範にわたる実験に基づき,実世界におけるより堅牢な動き予測に向けた改善とガイダンスを必要とする重要な領域を推奨する。
標準および実用条件下でのベンチマークモデルの評価ライブラリが提供される。
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。