Action and trajectory prediction for Autonomous Driving
Prédiction d'actions et de trajectoires pour la conduite autonome
Résumé
This PhD thesis, in the applicative context of autonomous driving, focuses on the exploration of diversity promoting mechanisms in generative models, which generate a probabilistic distribution of future trajectories given past trajectories. As trajectory forecasting datasets only provide one ground truth trajectory for a given past trajectory and scene spatial layout, many existing methods focus on the accuracy of the best predicted trajectory with respect to the ground truth trajectory. We aim to expand these methods by improving the intrinsic diversity of the predicted distribution, through the creation of a diversity-aware sampling mechanism that replaces traditional sequential sampling from generative models such as variational autoencoders (VAEs). We provide a way to generate samples according to the diversity exhibited in the training dataset, not only centered around the majority mode. The improvement of diversity, validated on nuScenes through a comprehensive set of metrics, is interesting with regard to the safety and smoothness of the planning operation, subsequent to trajectory forecasting. Furthering the diversity aspect in rare but safety-critical scenarios, we ask ourselves the question of expressing the diversity of events that are possible but yet unrepresented in the training dataset. This line of questioning raises the exploration of a much more challenging aspect: discovery. In order to generate a distribution that contains modes not present in the training dataset, we must carefully grow the training distribution according to an external admissibility function. The delicate balance between allowing the decoder of a generative model to generate from unknown latent codes and the necessity of generating admissible samples is explored in the second part of this thesis, with interesting results on a toy dataset.
Cette thèse de doctorat, dans le contexte applicatif de la conduite autonome, se concentre sur l'exploration des mécanismes favorisant la diversité dans les modèles génératifs, qui produisent une distribution probabiliste des trajectoires futures étant donné les trajectoires passées. Les ensembles de données de prévision de trajectoire ne fournissant qu'une trajectoire future pour une trajectoire passée et une disposition spatiale de scène données, de nombreuses méthodes existantes se concentrent sur la précision de la meilleure trajectoire prédite par rapport à la trajectoire future (vérité terrain). Nous visons à étendre ces méthodes en améliorant la diversité intrinsèque de la distribution prédite, à travers la création d'un mécanisme d'échantillonnage conscient de la diversité qui remplace l'échantillonnage séquentiel traditionnel à partir de modèles génératifs tels que les autoencodeurs variationnels (VAE). Nous offrons une manière de générer des échantillons selon la diversité exhibée dans l'ensemble de données d'entraînement, non seulement centrés autour du mode majoritaire. L'amélioration de la diversité, validée sur nuScenes à travers un ensemble complet de métriques, est intéressante en ce qui concerne la sécurité et la fluidité de l'opération de planification, subséquente à la prévision de trajectoire. En approfondissant l'aspect de la diversité dans des scénarios rares mais critiques pour la sécurité, nous nous posons la question de l'expression de la diversité des événements possibles mais encore non représentés dans l'ensemble de données d'entraînement. Cette ligne de questionnement soulève l'exploration d'un aspect beaucoup plus difficile : la découverte. Afin de générer une distribution contenant des modes non présents dans l'ensemble de données d'entraînement, nous devons soigneusement développer la distribution d'entraînement selon une fonction d'admissibilité externe. L'équilibre délicat entre permettre au décodeur d'un modèle génératif de générer à partir de codes latents inconnus et la nécessité de générer des échantillons admissibles est exploré dans la deuxième partie de cette thèse, avec des résultats intéressants sur un ensemble de données jouet.
| Origine | Version validée par le jury (STAR) |
|---|