Die Studie untersucht das kritische Problem der Leistungseinbußen von Trajektorienvorhersagealgorithmen bei unzureichenden Beobachtungen. Um dies zu adressieren, schlagen die Autoren ein flexibles Vorhersageframework namens Partial Observations Prediction (POP) vor. POP verwendet Selbstüberwachungslernen (SSL) und Merkmalsübertragung, um stabile und genaue Vorhersagen auch bei nur teilweise verfügbaren Beobachtungen zu ermöglichen.
Das SSL-Stadium verwendet eine Maskierungsprozedur und eine Rekonstruktionsaufgabe für die Vergangenheitsrepräsentationen, um das Modell robust gegenüber unvollständigen Beobachtungen zu machen. Im Übertragungsstadium wird dann Wissen vom Lehrermodell, das mit vollständigen Beobachtungen trainiert wurde, auf das Schülermodell übertragen.
Die Experimente zeigen, dass POP vergleichbare oder bessere Ergebnisse in Bezug auf Vorhersagegenauigkeit und Sicherheitsmetriken im Vergleich zu bestehenden State-of-the-Art-Methoden erzielt. Qualitative Ergebnisse veranschaulichen die Überlegenheit von POP bei der Bereitstellung vernünftiger und sicherer Trajektorienvorhersagen, insbesondere in Situationen mit unvollständigen Beobachtungen.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Sheng Wang,Y... at arxiv.org 04-08-2024
https://arxiv.org/pdf/2309.15685.pdfDeeper Inquiries