日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

英偉達研究中心論文介紹：自動駕駛中軌跡預(yù)測的任務(wù)-覺察測度

2022-01-13 19:16:27·  來源：計算機視覺深度學(xué)習(xí)和自動駕駛  作者：黃浴  
　
2021年7月21日arXiv上傳論文“Rethinking Trajectory Forecasting Evaluation“，作者是來自NVIDIA Research（實際也是斯坦福大學(xué)的博士和教授）。預(yù)測行為是自
2021年7月21日arXiv上傳論文“Rethinking Trajectory Forecasting evaluation“，作者是來自NVIDIA Research（實際也是斯坦福大學(xué)的博士和教授）。

預(yù)測行為是自動駕駛的一個組成部分，尤其是在安全緊要的場景。目前軌跡預(yù)測只有少數(shù)基于準確性的評估指標，例如位移誤差（average/ final displacement error，ADE/FDE）和對數(shù)似然（negative log-likelihood，NLL）。這些指標與任務(wù)無關(guān)，并且相同的預(yù)測可能會導(dǎo)致截然不同的結(jié)果，例如，下游的規(guī)劃和決策任務(wù)。
該文較短，只是分析評估當前的軌跡預(yù)測指標，提出任務(wù)-覺察（task-aware）指標作為預(yù)測系統(tǒng)衡量性能的方法。設(shè)計了一個軌跡預(yù)測的評價示例，在現(xiàn)有軌跡預(yù)測度量中加入規(guī)劃-覺察（planning- aware）。
總體而言，出現(xiàn)了兩類度量：幾何度量和概率度量。幾何度量（例如 ADE 和 FDE）將單個預(yù)測軌跡與真值進行比較，而概率度量（例如，最小ADE/FDE、NLL、基于KDE的 NLL）將預(yù)測分布或軌跡集與真值比較，會考慮到其他信息如方差。
如圖所示：(a) 基于準確度的指標廣泛用于評估預(yù)測軌跡（紅色）與真值（藍色）的相似程度。(b) 駕駛員（灰色）在自動駕駛車輛（綠色）旁邊右轉(zhuǎn)。還顯示了兩個預(yù)測（綠色和紫色實線），它們具有相同的度量精度，因為它們與未來軌跡真值（藍色實線）等距。(c) 雖然度量相等，但一個紫色預(yù)測會導(dǎo)致安全保護的機動（紫色虛線），而其他一個不影響自動駕駛車的運動規(guī)劃（藍色虛線）。

任務(wù)-覺察的測度要考慮的因素有：
  • 能夠捕捉下游任務(wù)中出現(xiàn)的不對稱。
  • 任務(wù)覺察，方法不可知。
  • 計算可行。
  • 可解釋。
該文提出一個規(guī)劃-覺察的測度，滿足以上因素的期望。該方法利用人類駕駛軌跡數(shù)據(jù)集學(xué)習(xí)規(guī)劃成本函數(shù)，通過預(yù)測輸出的敏感性決定哪些代理最能影響規(guī)劃。然后，這些敏感性可用于現(xiàn)有指標加入任務(wù)覺察（例如，根據(jù)規(guī)劃影響權(quán)衡預(yù)測的準確性）。
定義一個線性損失函數(shù)：
其中s是狀態(tài)（position, velocity, acceleration）向量，u是行動向量，s^是預(yù)測向量，theta是特征的權(quán)重。
然后，利用連續(xù)逆最優(yōu)控制（Continuous Inverse Optimal Control，CIOC)方法學(xué)習(xí)權(quán)重，這里假設(shè)專家駕駛的軌跡是局部最優(yōu)的。計算梯度delta得到相對預(yù)測位置的靈敏度，計算基于準確度的planning-informed (PI)測度如下：
對于避撞（Collision-Avoidance）場景，損失函數(shù)包括四項: goal項 (自車和原點的距離平方），control項 (控制作用的幅度平方），和兩個避撞項(分別是其他智體以當前位置為中心的RBF函數(shù)和以單步預(yù)測位置為中心的RBF函數(shù)）。
在相關(guān)的避撞健身中心環(huán)境中，收集 64 個預(yù)訓(xùn)練 GA3C-CADRL策略（論文“Collision avoidance in pedestrian-rich environments with deep reinforcement learning“）。下圖（a）反映其中一個策略，一輛自車（橙色）機動到原點，同時避開其他智體（藍色），較淺顏色代表出現(xiàn)較晚；重要的是，該方法能夠以規(guī)劃-覺察的方式區(qū)分度量相等的錯誤預(yù)測。
成本函數(shù)的權(quán)重從 CIOC（原論文“Continuous inverse optimal control with locally optimal examples“）推廣獲得。最后，自車對智體預(yù)測的規(guī)劃敏感性做計算，采用標準的Automatic differentiation工具。
文章提到做一個實驗，對于符合獨輪車動力學(xué)模型的自車，假設(shè)其任務(wù)是從隨機啟動狀態(tài)到達原點，同時避免與周圍車輛發(fā)生碰撞。下圖（b）和（c）是分析其在兩個不同場景的表現(xiàn)性能：
  • 對于迎面避撞的場景 (b) ，突然轉(zhuǎn)入自車路線（紫色虛線）的預(yù)測，與轉(zhuǎn)離（綠色虛線）預(yù)測相比，其規(guī)劃敏感性要高得多；同樣的位移誤差（ADE = 0.075和FDE = 0.15），兩個梯度幅度分別是0.90 (紫色) 和0.21 (綠色)，但是piADE 和 piFDE指標，紫色預(yù)測比綠色預(yù)測高25%，其中f(a，g) = 1 + max(0，ga-gaGT)， ga 和 gaGT = 0:57 分別是預(yù)測規(guī)劃和未來真值規(guī)劃的敏感度；
  • 對于智體不太可能影響自車規(guī)劃 (c)的場景 ，該方法在所有預(yù)測中產(chǎn)生小規(guī)劃敏感性。

這是之前英偉達工作Planning KL Divergence，PKL（論文“Learning to evaluate perception models using planner-centric metrics“）的繼續(xù)，細節(jié)請看https://nv-tlabs.github.io/detection-relevance/。
這項工作將任務(wù)-覺察納入軌跡預(yù)測評估中。特別是，舉例說明現(xiàn)有指標忽略了現(xiàn)實世界預(yù)測結(jié)果的不對稱性，概述了任何任務(wù)-覺察指標應(yīng)解決的四個關(guān)鍵考慮因素，并提供了一個概念驗證（POC）框架和實例，說明一種任務(wù)覺察指標工作方式。
除了預(yù)測之外，對其他模塊（例如，檢測和跟蹤）進行任務(wù)覺察評估是另一個方向，支持模塊的協(xié)同設(shè)計，增強集成性能。
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25