人間の行動の多様性と確率的特性は、自律走行にとって重要な動き予測タスクを非常に困難なものとしています。深層学習手法がこの領域で大きな潜在能力を示している一方、複数の運転シーン(マージング、ラウンドアバウト、交差点など)と深層学習モデルの設計との関連を確立することは未解決の課題です。現在の学習ベースの方法では、異なるシナリオで軌跡を予測するために1つの統一モデルが使用されますが、これは個々のシーンに対して最適でない結果をもたらす可能性があります。この問題に対処するために、我々はMulti-Scenes Network(MS-Net)を提案しました。これは進化的プロセスで訓練されたマルチパススパースモデルであり、推論段階でサブセットのパラメーターを活性化して各シーン用の予測結果を生成します。トレーニング段階では、異なるシーン下での動き予測タスクがマルチタスク学習問題として抽象化されており、進化アルゴリズムが各シーン用に最適なパラメーター探索を促進し、異なるシーン間で共通知識を共有しながら最適化されています。実験結果は、大幅に削減されたパラメータ数でMS-Netが既存の最先端手法よりも優れており、ETHやUCYなどの確立された歩行者動作予測データセットで上位2位を獲得しました。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Xiaqiang Tan... at arxiv.org 03-04-2024
https://arxiv.org/pdf/2403.00353.pdfDeeper Inquiries