用于轨迹预测的条件无迹自编码器
机器人学
2024-02-28 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
CVAE（条件变分自编码器）是自动驾驶（AD）轨迹预测中应用最广泛的模型之一。它将驾驶场景与其真实未来之间的相互作用捕获到一个概率潜空间中，并利用该空间生成预测。在本文中，我们对 CVAE 的关键组件提出挑战。我们借助 VAE（CVAE 的基础）领域的最新进展，其表明对采样过程的一个简单改变即可大幅提升性能。我们发现，以确定性方式从任意学习到的分布中抽取样本的无迹采样（unscented sampling），相比潜在危险的随机采样，天然地更适用于轨迹预测。我们进一步提供了额外的改进，包括更具结构化的高斯混合潜空间，以及一种新颖、可能更具表达力的 CVAE 推理方式。我们通过在 INTERACTION 预测数据集上评估所提模型，超越了当前最优（SOTA）性能，并在 CelebA 数据集的图像建模任务上超越基线 vanilla CVAE，展示了模型的广泛适用性。代码见 https://github.com/boschresearch/cuae-prediction。
引用
@article{arxiv.2310.19944,
title = {Conditional Unscented Autoencoders for Trajectory Prediction},
author = {Faris Janjoš and Marcel Hallgarten and Anthony Knittel and Maxim Dolgov and Andreas Zell and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2310.19944},
year = {2024}
}