論文の概要: Measuring What Matters: Scenario-Driven Evaluation for Trajectory Predictors in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2512.12211v1
• Date: Sat, 13 Dec 2025 06:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.165597
• Title: Measuring What Matters: Scenario-Driven Evaluation for Trajectory Predictors in Autonomous Driving
• Title（参考訳）: 重要なことを測定する: 自律運転における軌道予測器のシナリオ駆動評価
• Authors: Longchao Da, David Isele, Hua Wei, Manish Saroya,
• Abstract要約: 本稿では,予測器の性能を精度と多様性の2次元で適応的に評価する包括的パイプラインを提案する。 実世界のデータセットを用いたクローズドループベンチマークの実験は、パイプラインが従来のメトリクスよりも合理的な評価を得られることを示している。
• 参考スコア（独自算出の注目度）: 8.115144579497644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Being able to anticipate the motion of surrounding agents is essential for the safe operation of autonomous driving systems in dynamic situations. While various methods have been proposed for trajectory prediction, the current evaluation practices still rely on error-based metrics (e.g., ADE, FDE), which reveal the accuracy from a post-hoc view but ignore the actual effect the predictor brings to the self-driving vehicles (SDVs), especially in complex interactive scenarios: a high-quality predictor not only chases accuracy, but should also captures all possible directions a neighbor agent might move, to support the SDVs' cautious decision-making. Given that the existing metrics hardly account for this standard, in our work, we propose a comprehensive pipeline that adaptively evaluates the predictor's performance by two dimensions: accuracy and diversity. Based on the criticality of the driving scenario, these two dimensions are dynamically combined and result in a final score for the predictor's performance. Extensive experiments on a closed-loop benchmark using real-world datasets show that our pipeline yields a more reasonable evaluation than traditional metrics by better reflecting the correlation of the predictors' evaluation with the autonomous vehicles' driving performance. This evaluation pipeline shows a robust way to select a predictor that potentially contributes most to the SDV's driving performance.
• Abstract（参考訳）: 周囲のエージェントの動きを予測できることは、動的状況下での自律運転システムの安全な運転には不可欠である。 軌道予測には様々な手法が提案されているが、現在の評価手法は依然としてエラーベースのメトリクス(例えば、ADE、FDE)に依存しており、これはポストホックな視点から精度を明らかにするが、予測器が自動運転車(SDV)にもたらす実際の効果を無視している。 既存のメトリクスがこの標準をほとんど考慮していないことを考慮し、我々の研究では、予測器の性能を2次元(精度と多様性)で適応的に評価する包括的なパイプラインを提案する。 駆動シナリオの臨界性に基づいて、これらの2次元は動的に結合され、予測器のパフォーマンスの最終スコアとなる。 実世界のデータセットを用いたクローズドループベンチマークによる大規模な実験により、予測器の評価と自動運転車の走行性能との相関をよりよく反映することにより、パイプラインは従来の指標よりも合理的な評価が得られることが示された。 この評価パイプラインは、SDVの駆動性能に最も寄与する可能性のある予測器を選択するための堅牢な方法を示す。

関連論文リスト

• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• 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)
• 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)
• What Truly Matters in Trajectory Prediction for Autonomous Driving? [25.700880872677256]
  軌道予測は自律運転システムの性能において重要な役割を果たす。 固定データセット上の予測器の精度と、車両制御のために下流で予測器が使用される場合の駆動性能との間には、大きな相違がある。
  論文  参考訳（メタデータ） (2023-06-27T01:29:20Z)
• 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)
• Prediction by Anticipation: An Action-Conditional Prediction Method based on Interaction Learning [23.321627835039934]
  潜在確率的生成過程の観点から相互作用を観察する予測による予測を提案する。 このビューでは、連続データフレームをアクション条件分布から順次サンプルに分解することができる。 提案する予測モデルである変分ベイズ型は,この条件分布のエビデンス下限 (elbo) を最大化するために訓練されている。
  論文  参考訳（メタデータ） (2020-12-25T01:39:26Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。