自動運転/軌道予測2025/12/1arXiv:2512.12211

重要なものを測る：自動運転における軌道予測器のシナリオ駆動型評価

Measuring What Matters: Scenario-Driven Evaluation for Trajectory Predictors in Autonomous Driving

軌道予測器の評価を精度と多様性の2軸で行い、運転シナリオの危険度に応じて動的に統合する評価パイプラインを提案し、従来指標より自動運転性能との相関が高いことを示した。

詳しい要約

1. どんなもの？

- 自動運転における trajectory prediction の評価手法の提案 - 従来の ADE・FDE などの error-based metrics に代わる評価 pipeline - accuracy と diversity の 2 次元で predictor を適応的に評価 - 走行 scenario の criticality に応じて 2 次元を動的に統合し最終スコアを算出 - closed-loop benchmark 上で実データセットを用いて検証

2. 先行研究と比べてどこがすごい？

- 従来評価は ADE・FDE など error-based metrics が主流 - これらは post-hoc な精度のみで、SDV への実際の効果を無視 - 複雑な interactive scenario での評価が不十分という課題 - 提案手法は accuracy に加え diversity も評価 - 隣接 agent の起こりうる方向を網羅できるかを考慮 - SDV の cautious decision-making 支援という観点を反映

3. 技術・手法の肝は？

- accuracy と diversity の 2 次元評価を採用 - driving scenario の criticality を算出し重み付けに利用 - criticality に応じて 2 次元を動的に統合し最終スコア化 - 適応的に predictor の性能を評価する comprehensive pipeline - 詳細な計算式や diversity の定義は要旨からは不明

4. どうやって有効だと検証した？

- closed-loop benchmark 上で real-world datasets を用いた実験 - 提案 pipeline と従来 metrics を比較 - predictor 評価と autonomous vehicles の driving performance の相関を検証 - 従来 metrics より妥当な評価が得られることを示す - 走行性能に最も寄与する predictor 選択に有効と報告

5. 議論はある？

- 従来 metrics が SDV への実際の効果を無視する点を問題視 - accuracy 偏重では多様な進路の網羅性を評価できないと主張 - criticality に基づく動的統合の妥当性が議論の焦点 - 具体的な限界や失敗ケースは要旨からは不明 - 他 benchmark や実車での汎化性は要旨からは不明

6. 次に読むべき論文は？

- ADE・FDE など error-based metrics の原論文 - trajectory prediction の代表的手法（例: 各種 deep learning ベース predictor） - closed-loop benchmark に関する研究 - diversity を考慮した prediction 評価の関連研究 - criticality 評価や scenario-based testing の文献

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Longchao Da, David Isele, Hua Wei, Manish Saroya

分類: cs.RO, cs.AI, cs.SY, eess.SY

原文アブストラクト

Being able to anticipate the motion of surrounding agents is essential for the safe operation of autonomous driving systems in dynamic situations. While various methods have been proposed for trajectory prediction, the current evaluation practices still rely on error-based metrics (e.g., ADE, FDE), which reveal the accuracy from a post-hoc view but ignore the actual effect the predictor brings to the self-driving vehicles (SDVs), especially in complex interactive scenarios: a high-quality predictor not only chases accuracy, but should also captures all possible directions a neighbor agent might move, to support the SDVs' cautious decision-making. Given that the existing metrics hardly account for this standard, in our work, we propose a comprehensive pipeline that adaptively evaluates the predictor's performance by two dimensions: accuracy and diversity. Based on the criticality of the driving scenario, these two dimensions are dynamically combined and result in a final score for the predictor's performance. Extensive experiments on a closed-loop benchmark using real-world datasets show that our pipeline yields a more reasonable evaluation than traditional metrics by better reflecting the correlation of the predictors' evaluation with the autonomous vehicles' driving performance. This evaluation pipeline shows a robust way to select a predictor that potentially contributes most to the SDV's driving performance.

arXivで原文を読む →arXiv概要ページ

重要なものを測る：自動運転における軌道予測器のシナリオ駆動型評価

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell