解码器融合 RNN：用于轨迹预测的上下文与交互感知解码器
机器人学
2021-12-30 v1 机器学习
摘要
预测附近所有交通智能体的未来行为是构建安全可靠自动驾驶系统的关键任务。这是一个具有挑战性的问题，因为智能体会根据其意图、其他智能体的动作以及道路布局调整自身行为。在本文中，我们提出 Decoder Fusion RNN（DF-RNN），一种基于循环与注意力的运动预测方法。我们的网络由循环行为编码器、智能体间多头注意力模块和上下文感知解码器组成。我们设计了一个地图编码器，用于嵌入折线段，将其组合以创建图结构，并将相关部分与智能体嵌入相融合。我们仅在解码器内部将编码的地图信息与其他智能体间的交互进行融合，并提出使用显式训练作为有效利用可用信息的方法。我们通过在 Argoverse 运动预测数据集上测试该方法，展示了其有效性，并表明其在公开基准上达到了最先进的性能。
引用
@article{arxiv.2108.05814,
title = {Decoder Fusion RNN: Context and Interaction Aware Decoders for Trajectory Prediction},
author = {Edoardo Mello Rella and Jan-Nico Zaech and Alexander Liniger and Luc Van Gool},
journal= {arXiv preprint arXiv:2108.05814},
year = {2021}
}