Attentional-GCNN：面向通用自动驾驶用例的自适应行人轨迹预测

在共享行人环境中自动驾驶车辆的导航需要能够准确且以最小延迟预测人群的未来运动。理解预测的不确定性也至关重要。然而，大多数现有方法只能通过生成模型的重复采样来估计不确定性。此外，当前大多数预测模型是在假设通过俯视视角完全可观测人群的数据集上训练的。这些通常不能代表从车辆视角出发的真实世界使用情形，并且当车载传感器被遮挡时可能导致不确定性界限的低估。受先前使用时空图进行运动预测工作的启发，我们提出了一种基于图卷积神经网络（GCNN）的新方法 Attentional-GCNN，其通过为图边分配注意力权重来聚合人群中行人之间隐式交互的信息。我们的模型可被训练为输出概率分布或更快的确定性预测，展示出对需要不确定性界限的速度或准确性要求的自动驾驶车辆用例的适用性。为了进一步改进预测模型的训练，我们提出了一个从代表真实世界使用的智能车辆平台采集的自动标注行人数据集。通过在多个数据集上的实验，我们表明所提方法以快速推理速度在平均位移误差（ADE）上比当前最优方法提升 10%，在最终位移误差（FDE）上提升 12%。