核心概念
Ein neuartiges Trajektorienvorhersageframework namens Partial Observations Prediction (POP) verwendet Selbstüberwachungslernen und Merkmalsübertragung, um stabile und genaue Vorhersagen auch bei nur teilweise verfügbaren Beobachtungen zu ermöglichen.
要約
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.
統計
Die Verteilung der Beobachtungen im Argoverse 1-Datensatz zeigt, dass die Vorhersagealgorithmen für autonome Fahraufgaben oft nicht in der Lage sind, die vollständigen 20 Beobachtungsframes zu erfüllen.
Die Leistung von Vorhersagealgorithmen wie QCNet, LaneGCN und HiVT ist direkt mit der Länge der Beobachtungen korreliert. Ihre Genauigkeit nimmt deutlich ab, wenn nur teilweise Beobachtungen verfügbar sind.
引用
"Unser Studium deckt die kritische Herausforderung der Leistungseinbußen von Trajektorienvorhersagealgorithmen im Falle unzureichender Beobachtungen auf. Nach unserem besten Wissen ist dies die erste umfassende und systematische Analyse des Problems der teilweise beobachteten Vorhersage."
"Wir schlagen ein flexibles Vorhersageframework namens Partial Observations Prediction (POP) vor, das Selbstüberwachungslernen (SSL) und Merkmalsübertragungstechniken einsetzt und in der Lage ist, auch bei nur teilweise verfügbaren Beobachtungen stabile und hochpräzise Vorhersageergebnisse zu liefern."