协同驾驶中多视角数据融合的共形轨迹预测
人工智能
2025-03-13 v3 计算机视觉与模式识别
机器学习
摘要
当前的轨迹预测研究主要依赖于自车车载传感器收集的数据。随着车对车（V2V）和车对基础设施（V2I）通信等连接技术的快速发展，有价值的多视角信息可通过无线网络获取。多视角信息的融合有望克服单视角固有的局限性，如遮挡和视场受限。在本工作中，我们提出了 V2INet，一种新颖的轨迹预测框架，通过扩展现有的单视角模型来建模多视角数据。与之前将多视角数据手动融合或作为独立训练阶段处理的方法不同，我们的模型支持端到端训练，从而提升了灵活性和性能。此外，预测的多模态轨迹通过后验共形预测模块进行校准，以获得有效且高效的置信区域。我们在真实世界的 V2I 数据集 V2X-Seq 上评估了整个框架。结果表明，使用单个 GPU 即可在最终位移误差（FDE）和漏检率（MR）方面取得优越性能。代码公开可用：https://github.com/xichennn/V2I_trajectory_prediction。
引用
@article{arxiv.2408.00374,
title = {Conformal Trajectory Prediction with Multi-View Data Integration in Cooperative Driving},
author = {Xi Chen and Rahul Bhadani and Larry Head},
journal= {arXiv preprint arXiv:2408.00374},
year = {2025}
}