CRAT-Pred：基于晶体图卷积神经网络与多头自注意力的车辆轨迹预测
计算机视觉与模式识别
2022-02-11 v2 机器学习
机器人学
摘要
预测周围车辆的运动对自动驾驶车辆至关重要，因为其支配着自身的运动规划。当前最先进的车辆预测模型严重依赖地图信息。然而在现实中，此类信息并非总是可用。因此我们提出 CRAT-Pred，一种多模态且基于非栅格化的轨迹预测模型，专门设计用于在不依赖地图信息的情况下有效建模车辆之间的社会交互。CRAT-Pred 将源自材料科学领域的图卷积方法应用于车辆预测，允许高效利用边特征，并将其与多头自注意力结合。与其他无地图方法相比，该模型以显著更少的模型参数量实现了最先进的性能。此外，我们定量表明自注意力机制能够学习车辆之间的社会交互，其权重代表可测量的交互分数。源代码已公开可用。
引用
@article{arxiv.2202.04488,
title = {CRAT-Pred: Vehicle Trajectory Prediction with Crystal Graph Convolutional Neural Networks and Multi-Head Self-Attention},
author = {Julian Schmidt and Julian Jordan and Franz Gritschneder and Klaus Dietmayer},
journal= {arXiv preprint arXiv:2202.04488},
year = {2022}
}
备注
To appear in the proceedings of 2022 IEEE International Conference on Robotics and Automation (ICRA)