核心概念
本研究では、正規化流れを用いて人間の行動分布を効果的に学習し、予測する新しいアプローチ「TrajFlow」を提案する。
摘要
本研究では、人間の行動予測を確率的に行うための新しいアプローチ「TrajFlow」を提案している。従来の手法では、人間の行動の多様性や複雑性を十分にモデル化できないという課題があった。
TrajFlowでは以下の特徴を持つ:
軌跡を直接モデル化するのではなく、軌跡の抽象的な特徴を表現するオートエンコーダを導入することで、分布の学習を容易にしている
正規化流れを用いることで、複雑な多峰性のある分布を効果的にモデル化できる
自己回帰的なデコーダを持つことで、学習時の軌跡長を超えた予測が可能
合成データと実世界データでの評価実験の結果、TrajFlowは従来手法と比べて分布の適合性が高く、特に多様性の高い歩行者の行動予測で優れた性能を示した。また、ラウンドアバウトなどの状況でも長期的な予測が可能であることが確認された。
統計資料
人間の行動は一般に確率的であり、複雑で多峰性のある分布を持つ
従来の手法では、人間の行動の多様性を十分にモデル化できないという課題があった
TrajFlowは正規化流れを用いることで、複雑な分布を効果的にモデル化できる
引述
"Predicting the future behavior of human road users is an important aspect for the development of risk-aware autonomous vehicles."
"An example of such multi-modality can be seen at roundabouts, where vehicles have the option to enter the roundabout directly or to wait for an oncoming car to pass."
"TrajFlow outperforms state-of-the-art behavior prediction models in capturing full trajectory distributions in two synthetic benchmarks with known true distributions, and is competitive on the naturalistic datasets ETH/UCY, rounD, and nuScenes."