用于交通中概率运动预测的深度随机运动学模型

在交通轨迹预测任务中，可以通过根据运动学模型用预测的动作推进自车状态来计算未来的输出轨迹。通过时间积分和运动学动力学模型展开预测轨迹，预测的轨迹不仅应该是运动学上可行的，还应该将一个时间步的不确定性关联到下一个时间步。虽然当前概率预测的工作确实将运动学先验用于平均轨迹预测，但方差通常被留作可学习参数，尽管一个时间步的不确定性与前一个时间步的不确定性密不可分。在本文中，我们展示了简单且可微的解析近似，描述了使用运动学自行车模型时一个时间步的方差与下一个时间步方差之间的关系。在我们的结果中，我们发现编码跨时间步的方差关系在非最优设置（例如使用小数据集或有噪声的数据集）中效果尤其好。与先前在 SOTA 轨迹预测架构上即插即用的运动学预测方法相比，我们在部分数据集设置中观察到高达 50% 的性能提升，在大规模学习中观察到高达 8% 的性能提升，且无需微调。