論文の概要: CRITERIA: a New Benchmarking Paradigm for Evaluating Trajectory
Prediction Models for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2310.07794v1
- Date: Wed, 11 Oct 2023 18:28:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 11:40:50.626572
- Title: CRITERIA: a New Benchmarking Paradigm for Evaluating Trajectory
Prediction Models for Autonomous Driving
- Title（参考訳）: CRITERIA: 自律運転のための軌道予測モデル評価のための新しいベンチマークパラダイム
- Authors: Changhe Chen, Mozhgan Pourkeshavarz, Amir Rasouli
- Abstract要約: 我々は,新しいbenChmarking paRadIgmをTrijEctoRy予測手法(CRITERIA)として提案する。
提案したベンチマークにより,より正確なモデルランキングを作成でき,それらの振る舞いを特徴づける手段として機能することを示す。
- 参考スコア（独自算出の注目度）: 7.719379471690927
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Benchmarking is a common method for evaluating trajectory prediction models
for autonomous driving. Existing benchmarks rely on datasets, which are biased
towards more common scenarios, such as cruising, and distance-based metrics
that are computed by averaging over all scenarios. Following such a regiment
provides a little insight into the properties of the models both in terms of
how well they can handle different scenarios and how admissible and diverse
their outputs are. There exist a number of complementary metrics designed to
measure the admissibility and diversity of trajectories, however, they suffer
from biases, such as length of trajectories.
In this paper, we propose a new benChmarking paRadIgm for evaluaTing
trajEctoRy predIction Approaches (CRITERIA). Particularly, we propose 1) a
method for extracting driving scenarios at varying levels of specificity
according to the structure of the roads, models' performance, and data
properties for fine-grained ranking of prediction models; 2) A set of new
bias-free metrics for measuring diversity, by incorporating the characteristics
of a given scenario, and admissibility, by considering the structure of roads
and kinematic compliancy, motivated by real-world driving constraints. 3) Using
the proposed benchmark, we conduct extensive experimentation on a
representative set of the prediction models using the large scale Argoverse
dataset. We show that the proposed benchmark can produce a more accurate
ranking of the models and serve as a means of characterizing their behavior. We
further present ablation studies to highlight contributions of different
elements that are used to compute the proposed metrics.
- Abstract（参考訳）: ベンチマークは、自律運転のための軌道予測モデルを評価する一般的な方法である。
既存のベンチマークはデータセットに依存しており、cruisingのようなより一般的なシナリオや、すべてのシナリオ平均で計算される距離ベースのメトリクスに偏っている。
このような連隊に従えば、異なるシナリオをいかにうまく扱えるか、そのアウトプットがどの程度許容可能で多様かという観点から、モデルの特性について少しの洞察が得られる。
軌跡の許容性と多様性を測定するために設計された相補的な指標はいくつか存在するが、軌跡の長さなどのバイアスに悩まされている。
本稿では,新しいbenChmarking paRadIgmをCRITERIA (EvaluaTing trajEctoRy predIction Approaches) として提案する。
特に我々が提案するのは
1) 予測モデルの細粒度ランキングのための道路構造,モデル性能,データ特性に応じて,特異性の異なるレベルにおける運転シナリオを抽出する方法。
2) 現実の運転制約によって動機付けられた道路・運動適合性の構造を考慮し, 与えられたシナリオの特性と許容性を取り入れ, 多様性を測定するための新しいバイアスのない指標のセット。
3)提案するベンチマークを用いて,大規模argoverseデータセットを用いた予測モデルの代表セットを広範囲に実験した。
提案したベンチマークにより,より正確なモデルランキングを作成でき,それらの振る舞いを特徴づける手段として機能することを示す。
さらに,提案するメトリクスの計算に用いる異なる要素の寄与を強調するために,アブレーション研究を行った。
関連論文リスト
- 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) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - Leveraging Variational Autoencoders for Parameterized MMSE Estimation [10.141454378473972]
条件付き線形最小二乗誤差推定器のパラメータ化のための変分オートエンコーダに基づくフレームワークを提案する。
導出した推定器は、推定問題の生成前として変分オートエンコーダを用いて最小平均2乗誤差推定器を近似する。
提案手法と最小平均二乗誤差推定器の差分を限定して厳密な解析を行う。
論文 参考訳（メタデータ） (2023-07-11T15:41:34Z) - Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction
via Self-Supervision [2.365702128814616]
正確な車両軌道予測は、自動運転における未解決の問題である。
本稿では,複数の軌道セグメントを連結した中間層を提案する。
提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
論文 参考訳（メタデータ） (2023-06-06T02:46:28Z) - Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。
Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。
LASSO を用いて Model-to-Match フレームワークを運用する。
論文 参考訳（メタデータ） (2023-02-23T00:43:03Z) - Driving Points Prediction For Abdominal Probabilistic Registration [3.4093813201755627]
確率変位登録モデルは、点のサブセットの変位分布を推定する。
本研究では,駆動点予測器の学習について述べる。
異なるモーダル性に対応する2つの異なるデータセットに対するコントリビューションの効果を評価する。
論文 参考訳（メタデータ） (2022-08-05T15:28:01Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - 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) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z)
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。