类别化交通 Transformer：基于令牌化隐变量的可解释多样行为预测
机器学习
2023-12-01 v1 计算机视觉与模式识别
机器人学
摘要
熟练的交通模型对自动驾驶车辆 (AV) 的规划与闭环仿真都至关重要，其关键设计目标包括准确性、多样多模态行为、可解释性与下游兼容性。近来，随着大语言模型 (LLM) 的出现，交通模型的一个额外理想特性是 LLM 兼容性。我们提出类别化交通 Transformer (CTT)，一种同时输出连续轨迹预测与令牌化类别预测（车道模式、同伦类等）的交通模型。CTT 最突出的特性是其完全可解释的隐空间，能够在训练期间从真值直接监督隐变量，并彻底避免模式崩溃。因此，CTT 可在具有语义含义的不同隐模式下生成多样行为，同时在预测精度上击败 SOTA。此外，CTT 输入输出令牌的能力使其能与 LLM 集成，进行常识推理与零样本泛化。
引用
@article{arxiv.2311.18307,
title = {Categorical Traffic Transformer: Interpretable and Diverse Behavior Prediction with Tokenized Latent},
author = {Yuxiao Chen and Sander Tonkens and Marco Pavone},
journal= {arXiv preprint arXiv:2311.18307},
year = {2023}
}