論文の概要: Closing the Loop: Motion Prediction Models beyond Open-Loop Benchmarks

• arxiv url: http://arxiv.org/abs/2505.05638v1
• Date: Thu, 08 May 2025 20:38:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.079363
• Title: Closing the Loop: Motion Prediction Models beyond Open-Loop Benchmarks
• Title（参考訳）: ループのクローズ:オープンループベンチマークを超えた動き予測モデル
• Authors: Mohamed-Khalil Bouzidi, Christian Schlauch, Nicole Scheuerer, Yue Yao, Nadja Klein, Daniel Göhring, Jörg Reichardt,
• Abstract要約: 我々は、最先端のモーション予測器とモーションプランナーの相互作用を評価する。 以上の結果から,オープンループの精度はクローズドループ運転行動と必ずしも相関しないことがわかった。 最大86%のパラメータを持つモデルでは、同等またはそれ以上のクローズドループ駆動性能が得られる。
• 参考スコア（独自算出の注目度）: 2.17300236125078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fueled by motion prediction competitions and benchmarks, recent years have seen the emergence of increasingly large learning based prediction models, many with millions of parameters, focused on improving open-loop prediction accuracy by mere centimeters. However, these benchmarks fail to assess whether such improvements translate to better performance when integrated into an autonomous driving stack. In this work, we systematically evaluate the interplay between state-of-the-art motion predictors and motion planners. Our results show that higher open-loop accuracy does not always correlate with better closed-loop driving behavior and that other factors, such as temporal consistency of predictions and planner compatibility, also play a critical role. Furthermore, we investigate downsized variants of these models, and, surprisingly, find that in some cases models with up to 86% fewer parameters yield comparable or even superior closed-loop driving performance. Our code is available at https://github.com/continental/pred2plan.
• Abstract（参考訳）: 動き予測の競争とベンチマークにより、近年、数百万のパラメータを持つ大規模学習ベースの予測モデルが出現し、単なるセンチメートルによるオープンループ予測精度の改善に焦点が当てられている。 しかしながら、これらのベンチマークは、このような改善が自律運転スタックに統合された場合のパフォーマンス向上につながるかどうかを評価することができない。 本研究では,最新の動き予測器と運動プランナの相互作用を系統的に評価する。 以上の結果から, クローズドループ運転行動と高いオープンループ精度が相関するとは限らないこと, 予測の時間的整合性やプランナーの整合性といった他の要因も重要な役割を担っていることが示唆された。 さらに、これらのモデルの小型化について検討し、驚くべきことに、パラメータが最大86%少ないモデルでは、同等またはそれ以上のクローズドループ駆動性能が得られることを発見した。 私たちのコードはhttps://github.com/continental/pred2planで利用可能です。

関連論文リスト

• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• 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)
• GATraj: A Graph- and Attention-based Multi-Agent Trajectory Prediction Model [18.762609012554147]
  軌道予測は、自律運転やロボットナビゲーションといったインテリジェントシステムにおいて、長年にわたって問題となっていた。 本稿では,予測精度と推定速度のバランスが良好であるGATrajという注目グラフモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:29:19Z)
• Sliding Sequential CVAE with Time Variant Socially-aware Rethinking for Trajectory Prediction [13.105275905781632]
  歩行者の軌道予測は、ビデオ監視、社会ロボットナビゲーション、自動運転など、多くのアプリケーションにおいて重要な技術である。 本研究は,CVAEモジュールと社会的に認識された回帰モジュールからなるCSRと呼ばれる新しい軌道予測手法を提案する。 実験の結果,提案手法はスタンフォード・ドローン・データセットの最先端手法よりも改善されていることが示された。
  論文  参考訳（メタデータ） (2021-10-28T10:56:21Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。