ترجمه فارسی مقاله پیش بینی حرکت از طریق به حداقل رساندن خطر مبتنی بر مدل

چکیده

Forecasting the future trajectories of surrounding agents is crucial for autonomous vehicles to ensure safe, efficient, and comfortable route planning. While model ensembling has improved prediction accuracy in various fields, its application in trajectory prediction is limited due to the multi-modal nature of predictions. In this paper, we propose a novel sampling method applicable to trajectory prediction based on the predictions of multiple models. We first show that conventional sampling based on predicted probabilities can degrade performance due to missing alignment between models. To address this problem, we introduce a new method that generates optimal trajectories from a set of neural networks, framing it as a risk minimization problem with a variable loss function. By using state-of-the-art models as base learners, our approach constructs diverse and effective ensembles for optimal trajectory sampling. Extensive experiments on the nuScenes prediction dataset demonstrate that our method surpasses current state-of-the-art techniques, achieving top ranks on the leaderboard. We also provide a comprehensive empirical study on ensembling strategies, offering insights into their effectiveness. Our findings highlight the potential of advanced ensembling techniques in trajectory prediction, significantly improving predictive performance and paving the way for more reliable predicted trajectories.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی مسیرهای آینده عوامل اطراف برای وسایل نقلیه خودمختار برای اطمینان از برنامه ریزی ایمن ، کارآمد و راحت مسیر بسیار مهم است.در حالی که مجموعه های مدل دقت پیش بینی را در زمینه های مختلف بهبود بخشیده اند ، کاربرد آن در پیش بینی مسیر به دلیل ماهیت چند منظوره پیش بینی ها محدود است.در این مقاله ، ما یک روش نمونه گیری جدید را برای پیش بینی مسیر بر اساس پیش بینی های مدل های مختلف ارائه می دهیم.ما ابتدا نشان می دهیم که نمونه گیری معمولی بر اساس احتمالات پیش بینی شده می تواند عملکرد را به دلیل تراز مفقود بین مدل ها کاهش دهد.برای پرداختن به این مشکل ، ما یک روش جدید را معرفی می کنیم که مسیرهای بهینه را از مجموعه ای از شبکه های عصبی ایجاد می کند و آن را به عنوان یک مشکل به حداقل رساندن خطر با یک عملکرد از دست دادن متغیر ، قاب می کند.رویکرد ما با استفاده از مدل های پیشرفته به عنوان زبان آموزان پایه ، مجموعه های متنوع و مؤثر را برای نمونه گیری مسیر بهینه می سازد.آزمایش های گسترده ای در مورد مجموعه داده های پیش بینی Nuscenes نشان می دهد که روش ما از تکنیک های پیشرفته فعلی پیشی می گیرد و به رده های برتر در صفحه رهبری می رسد.ما همچنین یک مطالعه جامع تجربی در مورد استراتژی های گروه بندی ارائه می دهیم و بینش هایی در مورد اثربخشی آنها ارائه می دهیم.یافته های ما پتانسیل تکنیک های پیشرفته گروه بندی در پیش بینی مسیر را نشان می دهد ، عملکرد پیش بینی را به میزان قابل توجهی بهبود می بخشد و راه را برای مسیرهای پیش بینی شده قابل اطمینان تر هموار می کند.