論文の概要: TrajPAC: Towards Robustness Verification of Pedestrian Trajectory Prediction Models

• arxiv url: http://arxiv.org/abs/2308.05985v1
• Date: Fri, 11 Aug 2023 07:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 14:43:14.284460
• Title: TrajPAC: Towards Robustness Verification of Pedestrian Trajectory Prediction Models
• Title（参考訳）: TrajPAC: 歩行者軌道予測モデルのロバスト性検証に向けて
• Authors: Liang Zhang, Nathaniel Xu, Pengfei Yang, Gaojie Jin, Cheng-Chao Huang, Lijun Zhang
• Abstract要約: 我々は2種類のロバスト性、すなわちラベルのロバスト性と純粋ロバスト性について公式な定義を提供する。 我々は、ロバストネスの検証におそらくほぼ正しいPACフレームワークを使用します。 ETH/UCYデータセットの5つのシーンとStanford Droneデータセットのシーンのトラジェクトリ上での4つの最先端軌跡予測モデルのロバスト性を評価する。
• 参考スコア（独自算出の注目度）: 14.703990208198077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust pedestrian trajectory forecasting is crucial to developing safe autonomous vehicles. Although previous works have studied adversarial robustness in the context of trajectory forecasting, some significant issues remain unaddressed. In this work, we try to tackle these crucial problems. Firstly, the previous definitions of robustness in trajectory prediction are ambiguous. We thus provide formal definitions for two kinds of robustness, namely label robustness and pure robustness. Secondly, as previous works fail to consider robustness about all points in a disturbance interval, we utilise a probably approximately correct (PAC) framework for robustness verification. Additionally, this framework can not only identify potential counterexamples, but also provides interpretable analyses of the original methods. Our approach is applied using a prototype tool named TrajPAC. With TrajPAC, we evaluate the robustness of four state-of-the-art trajectory prediction models -- Trajectron++, MemoNet, AgentFormer, and MID -- on trajectories from five scenes of the ETH/UCY dataset and scenes of the Stanford Drone Dataset. Using our framework, we also experimentally study various factors that could influence robustness performance.
• Abstract（参考訳）: ロバストな歩行者軌道予測は安全な自動運転車の開発に不可欠である。 従来の研究は、軌道予測の文脈で敵の堅牢性を研究してきたが、いくつかの重大な問題は未解決のままである。 この作業では、これらの重要な問題に取り組みます。 第一に、軌道予測におけるロバスト性の定義は曖昧である。 したがって,2種類のロバスト性,すなわちラベルロバスト性と純粋ロバスト性に関する形式的定義を提供する。 第二に、従来の研究では乱れ間隔内の全ての点についてロバストネスを考慮できなかったため、ロバストネスの検証におそらくほぼ正しい(PAC)フレームワークを利用する。 さらに、このフレームワークは潜在的な反例を識別するだけでなく、元のメソッドの解釈可能な分析も提供する。 提案手法はTrajPACというプロトタイプツールを用いて適用する。 TrajPACでは、ETH/UCYデータセットの5つのシーンとStanford Drone Datasetのシーンのトラジェクトリに基づいて、最先端のトラジェクトリ予測モデル(Trajectron++、MemoNet、AgentFormer、MID)の堅牢性を評価する。 また,本手法を用いてロバスト性性能に影響を与える要因について実験的に検討した。

関連論文リスト

• Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
  モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。 本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T09:13:11Z)
• Quantifying Uncertainty in Motion Prediction with Variational Bayesian Mixture [17.78048571619575]
  安全と堅牢性は、信頼できる自動運転車を開発する上で重要な要素である。 本研究では,1つの移動物体に対する将来の軌跡の分布を記述する生成モデルSeNeVAを提案する。 提案手法は,不確実性を定量化し,競争性能を向上しつつ,アウト・オブ・ディストリビューションデータを識別することができる。
  論文  参考訳（メタデータ） (2024-04-04T20:04:12Z)
• 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)
• A Curious Case of Searching for the Correlation between Training Data and Adversarial Robustness of Transformer Textual Models [11.938237087895649]
  既存の研究によると、微調整されたテキスト変換モデルは最先端の予測性能を実現するが、敵対的なテキスト摂動にも弱い。 本稿では,トレーニングデータとモデルロバスト性との間にも強い相関関係があることを証明したい。 様々な入力微調整コーパス特性を表す13の異なる特徴を抽出し,それらを用いて微調整モデルの対角的堅牢性を予測する。
  論文  参考訳（メタデータ） (2024-02-18T05:58:25Z)
• 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)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Unsupervised Robust Domain Adaptation without Source Data [75.85602424699447]
  我々は、利用できないターゲットラベルとソースデータのコンテキストにおけるロバストなドメイン適応の問題について研究する。 4つのベンチマークデータセットでテストされたベースラインに対して10%以上の精度で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-03-26T16:42:28Z)

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。