适应长度偏移：用于轨迹预测的 FlexiLength 网络
计算机视觉与模式识别
2024-04-02 v1
摘要
轨迹预测在自动驾驶、机器人和场景理解等各种应用中发挥着重要作用。现有方法主要侧重于开发紧凑的神经网络以提高公共数据集上的预测精度，通常采用标准化的输入持续时间。然而，当这些模型在不同的观测长度下进行评估时，会出现一个显著问题，导致性能显著下降，我们将这一现象称为观测长度偏移。为了解决这个问题，我们引入了一个通用且有效的框架，即 FlexiLength Network (FLN)，以增强现有轨迹预测技术对不同观测周期的鲁棒性。具体而言，FLN 整合了具有不同观测长度的轨迹数据，引入 FlexiLength Calibration (FLC) 以获取时间不变表示，并采用 FlexiLength Adaptation (FLA) 进一步细化这些表示，从而更准确地预测未来轨迹。在多个数据集（即 ETH/UCY、nuScenes 和 Argoverse 1）上的全面实验证明了我们提出的 FLN 框架的有效性和灵活性。
引用
@article{arxiv.2404.00742,
title = {Adapting to Length Shift: FlexiLength Network for Trajectory Prediction},
author = {Yi Xu and Yun Fu},
journal= {arXiv preprint arXiv:2404.00742},
year = {2024}
}
备注
Accepted by CVPR 2024