一种端到端的车辆轨迹预测框架

预判邻近车辆的运动对于自动驾驶至关重要，尤其在拥堵高速公路上，即便微小的运动变化也可能导致灾难性碰撞。对未来轨迹的准确预测不仅依赖于历史轨迹，更重要的是依赖于对附近其他车辆间复杂交互的模拟。大多数用于解决该问题的前沿网络都假设可直接获得过去轨迹点，因而缺乏从视频直接到输出的完整端到端流程。在本文中，我们因此提出一种新颖的端到端架构，其接收原始视频输入并输出未来轨迹预测。它首先通过基于多头注意力的回归网络以及非线性优化来提取并跟踪附近车辆的3D位置。这提供了过去轨迹点，随后送入由基于注意力的LSTM编码器-解码器架构组成的轨迹预测算法，使其能够对车辆间复杂相互依赖关系建模，并准确预测周围车辆的未来轨迹点。所提模型在大规模BLVD数据集上进行了评估，并已在CARLA上实现。实验结果表明我们的方法优于多种前沿模型。