超越特征：数据集设计如何影响多智能体轨迹预测性能
机器人学
2025-07-08 v1 人工智能
机器学习
摘要
准确的轨迹预测对于安全自主导航至关重要，然而数据集设计对模型性能的影响仍未得到充分研究。本工作系统地考察了特征选择、跨数据集迁移和地理多样性如何影响多智能体场景中的轨迹预测精度。我们使用基于在德国和美国自采数据记录构建的新型L4运动预测数据集，评估了一个最先进的模型。该数据集包含增强的地图和智能体特征。我们将我们的数据集与以美国为中心的Argoverse 2基准进行了比较。首先，我们发现，整合我们数据集独有的补充地图和智能体特征，相较于基线特征并未带来可衡量的改进，这表明现代架构不需要大量的特征集就能达到最优性能。公开数据集的有限特征足以捕捉复杂的交互，而无需增加复杂性。其次，我们进行了跨数据集实验，以评估领域知识在数据集之间转移的有效性。第三，我们按国家对我们数据集进行分组，并检验了不同驾驶文化之间的知识迁移。
引用
@article{arxiv.2507.05098,
title = {Beyond Features: How Dataset Design Influences Multi-Agent Trajectory Prediction Performance},
author = {Tobias Demmler and Jakob Häringer and Andreas Tamke and Thao Dang and Alexander Hegai and Lars Mikelsons},
journal= {arXiv preprint arXiv:2507.05098},
year = {2025}
}