論文の概要: Mode Collapse Happens: Evaluating Critical Interactions in Joint Trajectory Prediction Models
- arxiv url: http://arxiv.org/abs/2506.23164v1
- Date: Sun, 29 Jun 2025 09:53:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.75204
- Title: Mode Collapse Happens: Evaluating Critical Interactions in Joint Trajectory Prediction Models
- Title（参考訳）: モード崩壊が起こる:関節軌道予測モデルにおける臨界相互作用の評価
- Authors: Maarten Hugenholtz, Anna Meszaros, Jens Kober, Zlatan Ajanovic,
- Abstract要約: モード崩壊,モードの正しさ,カバレッジの指標を導入し,予測の逐次的次元を強調した。
我々のフレームワークは、研究者が新たな洞察を得て、より一貫性があり正確な予測モデルの開発を進めるのに役立つ。
- 参考スコア（独自算出の注目度）: 2.9498907601878974
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Autonomous Vehicle decisions rely on multimodal prediction models that account for multiple route options and the inherent uncertainty in human behavior. However, models can suffer from mode collapse, where only the most likely mode is predicted, posing significant safety risks. While existing methods employ various strategies to generate diverse predictions, they often overlook the diversity in interaction modes among agents. Additionally, traditional metrics for evaluating prediction models are dataset-dependent and do not evaluate inter-agent interactions quantitatively. To our knowledge, none of the existing metrics explicitly evaluates mode collapse. In this paper, we propose a novel evaluation framework that assesses mode collapse in joint trajectory predictions, focusing on safety-critical interactions. We introduce metrics for mode collapse, mode correctness, and coverage, emphasizing the sequential dimension of predictions. By testing four multi-agent trajectory prediction models, we demonstrate that mode collapse indeed happens. When looking at the sequential dimension, although prediction accuracy improves closer to interaction events, there are still cases where the models are unable to predict the correct interaction mode, even just before the interaction mode becomes inevitable. We hope that our framework can help researchers gain new insights and advance the development of more consistent and accurate prediction models, thus enhancing the safety of autonomous driving systems.
- Abstract（参考訳）: 自律走行車の決定は、複数の経路オプションと人間の行動に固有の不確実性を説明するマルチモーダル予測モデルに依存している。
しかし、モデルはモード崩壊に悩まされ、最も可能性の高いモードのみが予測され、重大な安全性のリスクが生じる。
既存の手法は多様な予測を生成するために様々な戦略を採用しているが、エージェント間の相互作用モードの多様性を見落としていることが多い。
さらに、予測モデルを評価する従来のメトリクスはデータセットに依存しており、エージェント間の相互作用を定量的に評価しない。
私たちの知る限り、既存のメトリクスのどれも、モード崩壊を明示的に評価していません。
本稿では,共同軌道予測におけるモード崩壊の評価を行う新しい評価枠組みを提案する。
モード崩壊,モードの正しさ,カバレッジの指標を導入し,予測の逐次的次元を強調した。
4つのマルチエージェント軌道予測モデルをテストすることで、モード崩壊が実際に起こることを示した。
逐次的な次元を見ると、予測精度は相互作用事象に近いものの、相互作用モードが避けられない直前にモデルが正しい相互作用モードを予測できないケースがまだ残っている。
われわれのフレームワークは、研究者が新たな洞察を得て、より一貫性があり正確な予測モデルの開発を前進させ、自動運転システムの安全性を高めるのに役立つことを期待している。
関連論文リスト
- MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction [6.110153599741102]
交通行動予測モジュールから得られる軌道情報と実際に必要とされるものとの間には,軌道のリスク評価のギャップがある。
既存の予測モデルでは、単一エージェントに対する不確実な重み付きエージェントの将来の軌道の合同予測やガウス確率密度関数(PDF)が得られている。
本稿では, エージェント対共分散行列をシーン中心の方法で予測することに着目し, 動き予測への新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-30T06:21:42Z) - Predictive Churn with the Set of Good Models [61.00058053669447]
本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。
予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。
2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - 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) - Benchmark for Models Predicting Human Behavior in Gap Acceptance
Scenarios [4.801975818473341]
我々は、どんなモデルでも、どんなメトリクスでも、どんなシナリオでも、容易に評価できるフレームワークを開発します。
次に、このフレームワークを最先端の予測モデルに適用する。
論文 参考訳（メタデータ） (2022-11-10T09:59:38Z) - Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。
我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。
提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
論文 参考訳（メタデータ） (2022-07-11T21:17:41Z) - Predictive Multiplicity in Probabilistic Classification [25.111463701666864]
確率的分類における予測的乗数性を測定するための枠組みを提案する。
実世界のタスクにおける予測多重度の発生頻度と頻度を実証する。
その結果,予測多重度をより広範囲に報告する必要性が強調された。
論文 参考訳（メタデータ） (2022-06-02T16:25:29Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Exploring Social Posterior Collapse in Variational Autoencoder for
Interaction Modeling [26.01824780050843]
変分オートエンコーダ(VAE)は多エージェント相互作用モデリングに広く応用されている。
VAEは、エージェントの将来の軌跡を予測する際に、歴史的社会的文脈を無視しやすい。
本稿では,ソーシャルな後部崩壊を検知する新しいスパースグラフアテンションメッセージパッシング層を提案する。
論文 参考訳（メタデータ） (2021-12-01T06:20:58Z) - 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) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。