退火赢者通吃在运动预测中的应用
机器人学
2025-02-13 v3 计算机视觉与模式识别
摘要
在自动驾驶中，运动预测旨在预测附近智能体的未来轨迹，帮助自车预判行为并安全驾驶。一个关键挑战是生成多样化的未来预测集合，通常使用具有多选学习（MCL）架构和数据驱动模型，并采用赢者通吃（WTA）训练目标来解决。然而，这些方法面临初始化敏感和训练不稳定的问题。此外，为了弥补有限的性能，一些方法依赖于使用大量假设进行训练，需要在推理阶段进行后选择步骤以显著减少预测数量。为了解决这些问题，我们从退火多选学习（annealed MCL）中汲取灵感，这是一种最近引入的技术，通过退火赢者通吃损失（aWTA）改善了MCL方法的收敛特性。在本文中，我们展示了如何将aWTA损失与最先进的运动预测模型相结合，仅使用最少的假设集来提升其性能，从而消除了繁琐的后选择步骤。我们的方法可以轻松集成到任何通常使用WTA训练的轨迹预测模型中，并带来显著改进。为方便将我们的方法应用于未来的运动预测模型，代码已公开：https://github.com/valeoai/MF_aWTA。
引用
@article{arxiv.2409.11172,
title = {Annealed Winner-Takes-All for Motion Forecasting},
author = {Yihong Xu and Victor Letzelter and Mickaël Chen and Éloi Zablocki and Matthieu Cord},
journal= {arXiv preprint arXiv:2409.11172},
year = {2025}
}
备注
7 pages, 6 figures, Accepted to ICRA2025