轨迹预测中跨数据集性能的的不确定性估计
计算机视觉与模式识别
2022-07-13 v2
摘要
尽管在开发轨迹预测方法方面已开展了大量工作，并且已提出多种数据集用于该任务的基准测试，但关于这些方法在跨数据集上的泛化性与可迁移性的研究迄今甚少。在本文中，我们观测了两种最新的最先进（SOTA）轨迹预测方法在四个不同数据集（Argoverse、NuScenes、Interaction、Shifts）上的性能。该分析有助于深入了解近期轨迹预测模型的泛化特性，并分析哪个数据集更能代表真实驾驶场景，从而具备更好的可迁移性。此外，我们提出了一种估计预测不确定性的新方法，并展示了如何利用该方法在跨数据集上取得更好的性能。
引用
@article{arxiv.2205.07310,
title = {Uncertainty estimation for Cross-dataset performance in Trajectory prediction},
author = {Thomas Gilles and Stefano Sabatini and Dzmitry Tsishkou and Bogdan Stanciulescu and Fabien Moutarde},
journal= {arXiv preprint arXiv:2205.07310},
year = {2022}
}
备注
Workshop on Fresh Perspectives on the Future of Autonomous Driving, ICRA 2022