[论文解读] Drowned out by the noise: Evidence for Tracking-free Motion Prediction.
本文挑战了自动驾驶运动预测中对追踪系统的依赖，表明即使是最小的追踪误差（低至1%）也会降低预测性能。本文提出无需追踪的运动预测模型，在噪声较多的真实世界条件下，其性能优于依赖追踪器的方法，主张消除追踪模块以提升鲁棒性。
Autonomous driving consists of a multitude of interacting modules, where each module must contend with errors from the others. Typically, the motion prediction module depends on a robust tracking system to capture each agent's past movement. In this work, we systematically explore the importance of the tracking module for the motion prediction task and ultimately conclude that the tracking module is detrimental to overall motion prediction performance when the module is imperfect (with as low as 1% error). We explicitly compare models that use tracking information to models that do not across multiple scenarios and conditions. We find that the tracking information only improves performance in noise-free conditions. A noise-free tracker is unlikely to remain noise-free in real-world scenarios, and the inevitable noise will subsequently negatively affect performance. We thus argue future work should be mindful of noise when developing and testing motion/tracking modules, or that they should do away with the tracking component entirely.
研究动机与目标
- 研究不完善的追踪系统对自动驾驶中运动预测性能的影响。
- 在不同噪声条件下，比较依赖追踪与不依赖追踪的运动预测模型。
- 确定在真实部署中，使用追踪信息的收益是否被噪声引起的误差所抵消。
- 主张从运动预测流程中移除追踪模块，以提升鲁棒性。
提出的方法
- 在多个真实世界驾驶场景中，系统性地比较包含与不包含追踪输入的运动预测模型。
- 在追踪数据中控制噪声水平进行训练与评估，包括低至1%的误差。
- 采用端到端的运动预测架构，直接从原始传感器输入预测未来轨迹，绕过显式的追踪过程。
- 在干净和噪声追踪条件下，使用标准运动预测指标（如ADE、FDE）评估性能。
- 进行消融研究，以隔离追踪噪声对预测精度的影响。
实验结果
研究问题
- RQ1即使为1%的追踪误差，如何影响运动预测性能？
- RQ2在何种条件下，使用追踪信息会改善或恶化运动预测？
- RQ3在真实且存在噪声的环境中，无追踪的运动预测模型能否优于依赖追踪器的模型？
- RQ4在真实世界的自动驾驶系统中，假设追踪器无噪声是否合理？
主要发现
- 追踪信息仅在无噪声条件下能提升运动预测性能，而此类条件在真实部署中不现实。
- 即使1%的追踪误差也会显著降低运动预测性能，从而抵消使用追踪信息的收益。
- 当存在追踪噪声时，无追踪的运动预测模型始终优于依赖追踪器的模型。
- 追踪系统中的噪声会引入误差传播，对下游运动预测产生负面影响。
- 本研究结论认为，应从运动预测流程中移除追踪模块，以提升鲁棒性和可靠性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。