C2F-TP：一种用于不确定性感知轨迹预测的由粗到细去噪框架
机器人学
2024-12-25 v3 人工智能
机器学习
摘要
准确预测车辆轨迹对于确保自动驾驶的安全性和可靠性至关重要。尽管近期已有大量研究努力，但由动态驾驶意图和多样化驾驶场景等各种因素引起的固有轨迹不确定性，仍然对准确的轨迹预测构成重大挑战。为了解决这个问题，我们提出了 C2F-TP，一种用于不确定性感知车辆轨迹预测的由粗到细去噪框架。C2F-TP 具有创新的由粗到细的两阶段预测过程。具体而言，在时空交互阶段，我们提出了一个时空交互模块来捕获车辆间交互并学习多模态轨迹分布，从中采样一定数量的带噪轨迹。接下来，在轨迹细化阶段，我们设计了一个条件去噪模型，通过逐步去噪操作来降低采样轨迹的不确定性。在轨迹预测中广泛采用的两个真实数据集 NGSIM 和 highD 上进行了大量实验。结果证明了我们方法的有效性。
引用
@article{arxiv.2412.13231,
title = {C2F-TP: A Coarse-to-Fine Denoising Framework for Uncertainty-Aware Trajectory Prediction},
author = {Zichen Wang and Hao Miao and Senzhang Wang and Renzhi Wang and Jianxin Wang and Jian Zhang},
journal= {arXiv preprint arXiv:2412.13231},
year = {2024}
}
备注
Accepted by AAAI 2025