Belangrijkste concepten
Das vorgeschlagene Sequential Neural Variational Agent (SeNeVA)-Modell beschreibt die Verteilung zukünftiger Trajektorien eines einzelnen bewegten Objekts, indem es Unsicherheiten quantifiziert und verschiedene Intentionen unterscheidet.
Samenvatting
Die Studie präsentiert das Sequential Neural Variational Agent (SeNeVA)-Modell, das die Verteilung zukünftiger Trajektorien eines einzelnen bewegten Objekts modelliert. Das Modell verwendet einen variationellen Bayes-Ansatz, um Unsicherheiten in den Vorhersagen zu quantifizieren und verschiedene Intentionen zu unterscheiden.
Kernpunkte:
- Das Modell beschreibt die Verteilung zukünftiger Trajektorien als eine Mischung von Multivariate-Normalverteilungen, wobei jede Komponente eine spezifische Intention repräsentiert.
- Eine separate Zuweisungsnetzwerk-Komponente schätzt die Wahrscheinlichkeiten der einzelnen Mischungskomponenten, um eine effiziente Stichprobennahme zu ermöglichen.
- Das Modell wurde auf den INTERACTION- und Argoverse 2-Datensätzen evaluiert und zeigte eine wettbewerbsfähige Vorhersagegenauigkeit bei gleichzeitiger Quantifizierung der Unsicherheit.
- Qualitative Analysen zeigen, dass das Modell die Unsicherheit in Abhängigkeit von der Straßengeometrie und der Verteilung der Trainingsdaten gut erfassen kann.
Statistieken
Die Vorhersagegenauigkeit des SeNeVA-Modells auf dem INTERACTION-Testdatensatz beträgt 0,446 Meter minimaler Endversatz-Fehler, 0,203 Meter minimaler durchschnittlicher Versatz-Fehler und 5,35% Fehlerquote.
Auf dem Argoverse 2-Validierungsdatensatz erreicht das SeNeVA-Modell einen minimalen Endversatz-Fehler von 1,319 Metern, einen minimalen durchschnittlichen Versatz-Fehler von 0,713 Metern und eine Fehlerquote von 17,5%.
Citaten
Keine relevanten wörtlichen Zitate identifiziert.