Learning Through Retrospection: Improving Trajectory Prediction for Automated Driving with Error Feedback
Created by
Haebom
저자
Steffen Hagedorn, Aron Distelzweig, Marcel Hallgarten, Alexandru P. Condurache
개요
자율 주행에서 주변 차량의 궤적 예측은 장면 역학에 대한 추론을 지원하고 자 차량의 안전한 계획을 가능하게 합니다. 하지만 기존 모델은 관찰된 정보를 기반으로 미래 궤적을 예측하는 순간적인 작업으로 예측을 처리합니다. 시간이 지남에 따라 다음 예측은 이전 예측과 독립적으로 이루어지므로 모델은 추론 중 오류를 수정할 수 없고 오류를 반복하게 됩니다. 이 문제를 완화하고 시간 데이터를 더 잘 활용하기 위해 새로운 회고 기법을 제안합니다. 폐쇄 루프 롤아웃에 대한 훈련을 통해 모델은 집계된 피드백을 사용하는 방법을 학습합니다. 새로운 관찰이 주어지면 이전 예측을 반영하고 오류를 분석하여 후속 예측의 품질을 향상시킵니다. 따라서 모델은 추론 중 체계적인 오류를 수정하는 방법을 학습할 수 있습니다. nuScenes 및 Argoverse에 대한 포괄적인 실험은 회고 기법이 없는 최첨단 기준 모델과 비교하여 최소 평균 변위 오차가 최대 31.9% 감소함을 보여줍니다. 또한 미탐지 도로 사용자와 같은 분포 외 시나리오를 더 잘 처리함으로써 우리 기법의 강건성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
기존의 순간적인 궤적 예측 모델의 한계를 극복하고, 시간적 정보를 효과적으로 활용하는 새로운 회고 기법 제시.
◦
폐쇄 루프 롤아웃 기반 학습을 통해 모델이 추론 중 발생하는 오류를 스스로 수정하고 성능을 향상시킬 수 있음을 증명.
◦
nuScenes 및 Argoverse 데이터셋에서 최대 31.9%의 최소 평균 변위 오차 감소를 달성하며 기존 최고 성능 모델을 능가하는 성능을 입증.
