ControlMTR：具有场景合规意图点的控制引导运动变换器用于可行运动预测
机器人学
2025-06-23 v2
摘要
准确预测周围交通参与者可行的多模态未来轨迹对于自动驾驶汽车的决策规划至关重要。Motion Transformer (MTR) 是一种最先进的运动预测方法，它通过用一组固定的先验运动意图点替代传统的密集未来端点，缓解了训练过程中的模式坍塌和不稳定性，并提升了整体预测性能。然而，固定的先验意图点使得 MTR 的多模态预测分布在许多场景中过于分散且不可行。本文提出 ControlMTR 框架，通过生成符合场景的意图点并额外预测驾驶控制命令来解决上述问题，这些控制命令随后通过一个带有软约束的简单运动学模型转换为轨迹。这些控制生成的轨迹将通过辅助损失函数引导直接预测的轨迹。结合我们提出的符合场景的意图点，它们能有效将预测分布限制在道路边界内，抑制不可行的越野预测，同时提升预测性能。值得注意的是，在不使用额外模型集成技术的情况下，我们的方法在所有性能指标上均超越了基线 MTR 模型，SoftmAP 显著提升 5.22%，MissRate 降低 4.15%。我们的方法使 MTR 的越界率降低了 41.85%，有效确保了预测分布被限制在可行驶区域内。
引用
@article{arxiv.2404.10295,
title = {ControlMTR: Control-Guided Motion Transformer with Scene-Compliant Intention Points for Feasible Motion Prediction},
author = {Jiawei Sun and Chengran Yuan and Shuo Sun and Shanze Wang and Yuhang Han and Shuailei Ma and Zefan Huang and Anthony Wong and Keng Peng Tee and Marcelo H. Ang},
journal= {arXiv preprint arXiv:2404.10295},
year = {2025}
}