論文の概要: What Truly Matters in Trajectory Prediction for Autonomous Driving?
- arxiv url: http://arxiv.org/abs/2306.15136v1
- Date: Tue, 27 Jun 2023 01:29:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 15:09:21.911047
- Title: What Truly Matters in Trajectory Prediction for Autonomous Driving?
- Title（参考訳）: 自動運転の軌道予測で本当に重要なのは何か?
- Authors: Haoran Wu, Tran Phong, Cunjun Yu, Panpan Cai, Sifa Zheng, David Hsu
- Abstract要約: 自律運転システムでは、軌道予測は安全を確保し、スムーズなナビゲーションを促進する上で重要な役割を果たす。
下流タスクで使用する場合、固定されたデータセット上の予測器の精度と駆動性能との間にはかなりの差がある。
- 参考スコア（独自算出の注目度）: 13.912362918894441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the autonomous driving system, trajectory prediction plays a vital role in
ensuring safety and facilitating smooth navigation. However, we observe a
substantial discrepancy between the accuracy of predictors on fixed datasets
and their driving performance when used in downstream tasks. This discrepancy
arises from two overlooked factors in the current evaluation protocols of
trajectory prediction: 1) the dynamics gap between the dataset and real driving
scenario; and 2) the computational efficiency of predictors. In real-world
scenarios, prediction algorithms influence the behavior of autonomous vehicles,
which, in turn, alter the behaviors of other agents on the road. This
interaction results in predictor-specific dynamics that directly impact
prediction results. As other agents' responses are predetermined on datasets, a
significant dynamics gap arises between evaluations conducted on fixed datasets
and actual driving scenarios. Furthermore, focusing solely on accuracy fails to
address the demand for computational efficiency, which is critical for the
real-time response required by the autonomous driving system. Therefore, in
this paper, we demonstrate that an interactive, task-driven evaluation approach
for trajectory prediction is crucial to reflect its efficacy for autonomous
driving.
- Abstract（参考訳）: 自律運転システムでは、軌道予測は安全を確保し、スムーズなナビゲーションを促進する上で重要な役割を果たす。
しかし,固定データセットにおける予測器の精度と下流タスクにおける駆動性能との間には,かなりの差がみられた。
この相違は、軌道予測の現在の評価プロトコルで見落とされた2つの要因から生じる。
1)データセットと実際の運転シナリオのダイナミクスギャップ
2)予測器の計算効率
現実のシナリオでは、予測アルゴリズムは自動運転車の行動に影響を与え、その結果、道路上の他のエージェントの行動を変化させる。
この相互作用は、直接予測結果に影響を与える予測者固有のダイナミクスをもたらす。
他のエージェントの応答がデータセット上で予め設定されているため、固定データセットで実行される評価と実際の運転シナリオとの間に大きなダイナミクスギャップが生じる。
さらに、精度のみに注目することは計算効率の要求に対処できないため、自動運転システムに必要なリアルタイム応答には不可欠である。
そこで本稿では,軌道予測のための対話型タスク駆動型評価手法が自律運転の有効性を反映するために重要であることを示す。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability [12.929047288003213]
本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。
提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
論文 参考訳（メタデータ） (2023-12-19T12:56:56Z) - 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) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
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。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - 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) - Pedestrian Behavior Prediction for Automated Driving: Requirements,
Metrics, and Relevant Features [1.1888947789336193]
システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。
人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。
複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
論文 参考訳（メタデータ） (2020-12-15T16:52:49Z) - Towards Incorporating Contextual Knowledge into the Prediction of
Driving Behavior [5.345872343035626]
外部条件による予測の影響について検討する。
より正確には、横方向の動作予測に対する最先端のアプローチが、ある選択された外部条件、すなわち交通密度の影響について検討する。
本研究は,自動走行車への情報統合に向けた第一歩となる。
論文 参考訳（メタデータ） (2020-06-15T15:21:02Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z) - Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。
また、車両軌道予測に効率的なキネマティック拘束層を応用した。
提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文 参考訳（メタデータ） (2020-02-14T20:11:13Z)
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。