Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction
Created by
- Haebom
Category
Empty
저자
Sajad Marvi, Christoph Rist, Julian Schmidt, Julian Jordan, Abhinav Valada
개요
본 논문은 자율 주행을 위한 다중 모드 궤적 예측에서 불확실성을 효과적으로 정량화하는 새로운 접근 방식을 제안합니다. 기존의 다중 모드 예측 모델들의 한계를 극복하기 위해, 위치 불확실성에는 정규 역 감마 분포를, 모드 불확실성에는 디리클레 분포를 활용하는 증거 기반 심층 학습 방법을 제시합니다. 샘플링 기반 방법과 달리 단일 전달 과정에서 두 가지 유형의 불확실성을 추론하여 효율성을 크게 향상시키며, 불확실성 기반 중요도 샘플링을 통해 훈련 효율을 개선합니다. Argoverse 1 및 2 데이터셋을 이용한 실험 결과, 높은 궤적 예측 정확도를 유지하면서 신뢰할 수 있는 불확실성 추정치를 제공함을 보여줍니다.
시사점, 한계점
•
시사점:
◦
증거 기반 심층 학습을 활용하여 다중 모드 궤적 예측에서 위치 및 모드 불확실성을 효율적으로 정량화하는 새로운 방법을 제시.
◦
단일 전달 과정에서 위치 및 모드 불확실성을 동시에 추론하여 계산 효율성을 크게 향상.
◦
불확실성 기반 중요도 샘플링을 통해 훈련 데이터의 효율적인 활용 가능.
◦
Argoverse 데이터셋을 이용한 실험을 통해 높은 예측 정확도와 신뢰할 수 있는 불확실성 추정 성능 검증.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구 필요.
◦
다양한 환경 및 상황에서의 로버스트니스 평가 추가 필요.
◦
다른 다중 모드 예측 모델들과의 비교 분석 강화 필요.
