Previsione evolutiva dell’occupazione con sistemi rapidi e lenti tramite dinamiche controllate

Abstract degli autori

La previsione dell’occupazione semantica 3D fornisce rappresentazioni dense, geometriche e semantiche della scena per la guida autonoma, in cui sia un’elevata accuratezza sia una bassa latenza di risposta sono cruciali per garantire la sicurezza delle successive attività di previsione e pianificazione. I metodi esistenti presentano in genere profili diversi in termini di accuratezza e latenza. I modelli orientati alle prestazioni forniscono previsioni geometriche e semantiche più accurate, mentre i modelli adatti alla distribuzione rispondono più rapidamente. Questo ha motivato EvoOcc, un framework evolutivo di previsione dell’occupazione con sistemi rapidi e lenti, che sfrutta congiuntamente i loro punti di forza complementari per migliorare il compromesso tra accuratezza e latenza senza modificare le architetture a monte. EvoOcc modella la previsione evolutiva dell’occupazione come un sistema dinamico controllato a tempo continuo, consentendo un adattamento flessibile ai ritardi variabili del sistema lento e agli arrivi irregolari del sistema rapido. Il framework scompone inoltre il processo evolutivo in un’evoluzione a doppio stato: l’evoluzione dello stato dell’ego compensa gli spostamenti deterministici delle coordinate, mentre l’evoluzione dello stato della scena modella i cambiamenti effettivi della scena, geometrici e semantici. Esperimenti approfonditi su tre diverse coppie di sistemi rapidi e lenti e su arrivi irregolari delle previsioni mostrano che EvoOcc migliora costantemente le prestazioni rispetto alle baseline dei sistemi rapidi, mantenendo al contempo una latenza molto inferiore a quella del sistema lento. Ciò indica un compromesso favorevole tra accuratezza e latenza e un comportamento stabile nelle situazioni pratiche di inferenza.