联合度量至关重要：轨迹预测更好的评估标准
机器人学
2023-10-13 v2 机器学习
摘要
多模态轨迹预测方法通常使用单智能体度量（边缘度量，marginal metrics）进行评估，如最小平均位移误差（ADE）和最终位移误差（FDE），这些方法无法捕捉多个交互智能体的联合性能。仅关注边缘度量会导致不自然的预测，例如明显成群行走的人出现碰撞轨迹或发散轨迹。因此，针对边缘度量优化的方法会导致对性能过于乐观的估计，不利于轨迹预测研究的进展。针对边缘度量的局限，我们首次基于多智能体度量（联合度量，joint metrics）：JADE、JFDE 和碰撞率，对当前最优（SOTA）轨迹预测方法进行了全面评估。我们利用来自 ETH / UCY 和 Stanford Drone 数据集的定量证据与定性示例，证明了联合度量相对于边缘度量的重要性。我们引入了一种结合联合度量的新损失函数，将其应用于一种 SOTA 轨迹预测方法时，在 ETH / UCY 数据集上相对于先前 SOTA 实现了 JADE / JFDE 7% 的提升。我们的结果还表明，优化联合度量自然会改善交互建模，表现为在 ETH / UCY 数据集上相对于先前 SOTA 平均碰撞率降低 16%。代码见 \texttt{\hyperlink{https://github.com/ericaweng/joint-metrics-matter}{github.com/ericaweng/joint-metrics-matter}}。
引用
@article{arxiv.2305.06292,
title = {Joint Metrics Matter: A Better Standard for Trajectory Forecasting},
author = {Erica Weng and Hana Hoshino and Deva Ramanan and Kris Kitani},
journal= {arXiv preprint arXiv:2305.06292},
year = {2023}
}
备注
Published as a conference paper at ICCV 2023