LMR：基于车道距离的轨迹预测度量指标
计算机视觉与模式识别
2023-04-14 v2 人工智能
机器学习
机器人学
摘要
轨迹预测方法的发展需要度量指标来验证和比较其性能。当前公认的度量基于欧几里得距离，这意味着各方向上的误差被同等加权。欧几里得度量对于道路等结构化环境是不够的，因为它们不能恰当地捕捉智能体相对于底层车道的意图。为了对轨迹预测方法针对下游规划任务给出合理评估，我们提出一种基于车道距离的新度量：车道未命中率（Lane Miss Rate, LMR）。在计算 LMR 时，将真实值与预测终点分配到车道段，更精确地说是其中心线。沿车道段测量距离，与真实值在特定阈值距离内的预测计为命中，否则计为未命中。LMR 则定义为产生未命中的序列所占比例。我们在三个最先进的轨迹预测模型上的结果表明，LMR 保持了基于欧几里得距离的度量之顺序。与欧几里得未命中率相比，定性结果显示 LMR 对预测位于错误车道上的序列给出未命中，而对预测位于正确车道上的序列给出命中。这意味着 LMR 隐式地相对于车道对欧几里得误差进行加权，并朝着捕捉交通智能体意图的方向发展。用于 Argoverse 2 的 LMR 源代码已公开可用。
引用
@article{arxiv.2304.05869,
title = {LMR: Lane Distance-Based Metric for Trajectory Prediction},
author = {Julian Schmidt and Thomas Monninger and Julian Jordan and Klaus Dietmayer},
journal= {arXiv preprint arXiv:2304.05869},
year = {2023}
}
备注
Accepted to the 2023 IEEE Intelligent Vehicles Symposium (IV 2023)