DenseTNT：基于密集目标集的端到端轨迹预测
计算机视觉与模式识别
2021-11-25 v2 机器人学
摘要
由于人类行为的随机性，预测道路智能体的未来轨迹对自动驾驶而言具有挑战性。近来，基于目标的多轨迹预测方法被证明有效，其首先对过采样目标候选打分，再从中选出最终集合。然而，这些方法通常涉及基于稀疏预定义锚点的目标预测与启发式目标选择算法。本工作中，我们提出一种无锚点且端到端的轨迹预测模型，名为 DenseTNT，其直接从密集目标候选输出一组轨迹。此外，我们引入一种离线基于优化的技术，为最终在线模型提供多未来伪标签。实验表明 DenseTNT 取得了当前最优性能，在 Argoverse 运动预测基准上排名第 1，并荣获 2021 Waymo 开放数据集运动预测挑战赛冠军。
引用
@article{arxiv.2108.09640,
title = {DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets},
author = {Junru Gu and Chen Sun and Hang Zhao},
journal= {arXiv preprint arXiv:2108.09640},
year = {2021}
}
备注
Accepted to ICCV 2021