Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Lyft Motion Prediction for Autonomous Vehicles ...

Inoichan
December 15, 2020

Lyft Motion Prediction for Autonomous Vehicles 2020

2020 Lyft Motion Prediction for Autonomous Vehicles
Competition link: https://www.kaggle.com/c/lyft-motion-prediction-autonomous-vehicles

Inoichan

December 15, 2020
Tweet

More Decks by Inoichan

Other Decks in Technology

Transcript

  1. 評価指標 混合ガウスの負の対数尤度
 
 
 
 
 • 1つのAgent(AVの周囲の物体)につき50 frame先までの位置の予測をK=3種類出力 


    • 確信度cを含めて出力:混合ガウス 
 
 
 
 
 
 • 50 frame先までの平均L2誤差が1m以内でもスコアは100以上になる 

  2. 14th place approach • 予測軌跡の移動距離が小さいほど大きく削るように調節 ▪ 6m以下を50%削る ▪ 3m以下を更に50%削る ▪

    1.5m以下を更に50%削る ▪ 0.75m以下を更に50%削る • データ数は削る前の約53% • 全体として6m以下・以上の割合が1:2になる これでおおよそデータ数が 5,760,000くらいになる。   1エポック 12時間くらい!
  3. 11th place solution • ResNet18 • Rastesr size (150, 150)

    • Batch size: 512 • 408000 iterations
  4. 11th place solution • ResNet18 • Rastesr size (150, 150)

    • Batch size: 512 • 408000 iterations 僕らのチーム 結局、学習が全然足りてなかった のが敗因だった。。。
  5. 1st place solution • Rasterizerを改善、4倍の高速化に成功 ◦ CPU律速 GPU律速(V100 x 8 DDP)

    • Custom rasterizer • Low resolutionでPretrain • EfficientNet x 4 のEnsemble
  6. 1st place solution • Rasterizerを改善、4倍の高速化に成功 ◦ CPU律速 GPU律速(V100 x 8 DDP)

    • Custom rasterizer • Low resolutionでPretrain • EfficientNet x 4 のEnsemble • Bootstrapped validation 1. 幾何学的変換をベクトル化して可能な限りバッチ処理できるようにした。 2. 大きなndarrayを小さなListに分割 3. ConcatenateをGPUで行う。(Numpy concatenateは遅いらしい) 0.124 sec / sample 0.032 sec / sample
  7. 1st place solution - SatelliteとSemanticを融合 - サイズを横長に。 - いくつかのRaster sizeをEnsemble

    • Rasterizerを改善、4倍の高速化に成功 ◦ CPU律速 GPU律速(V100 x 8 DDP) • Custom rasterizer • Low resolutionでPretrain • EfficientNet x 4 のEnsemble • Bootstrapped validation
  8. 1st place solution - Raster size(64, 112)で4エポック pretrain - 5エポック目を(224,

    448)で学習 - カスタマイズしたScheduler • Rasterizerを改善、4倍の高速化に成功 ◦ CPU律速 GPU律速(V100 x 8 DDP) • Custom rasterizer • Low resolutionでPretrain • EfficientNet x 4 のEnsemble • Bootstrapped validation
  9. 1st place solution - Raster sizeが異なった4つのEfficientNetを Ensembleした。 • Rasterizerを改善、4倍の高速化に成功 ◦

    CPU律速 GPU律速(V100 x 8 DDP) • Custom rasterizer • Low resolutionでPretrain • EfficientNet x 4 のEnsemble • Bootstrapped validation
  10. 1st place solution - Bootstrapped validationをすることで スコアだけじゃなくてSDも考慮 - SDが大きかったEffnetB7, 8は除いた。

    • Rasterizerを改善、4倍の高速化に成功 ◦ CPU律速 GPU律速(V100 x 8 DDP) • Custom rasterizer • Low resolutionでPretrain • EfficientNet x 4 のEnsemble • Bootstrapped validation