用于短到长期轨迹预测的知识蒸馏
计算机视觉与模式识别
2024-09-04 v4 人工智能
机器学习
机器人学
摘要
长期轨迹预测是计算机视觉、机器学习和机器人领域一个重要且具挑战性的问题。一个根本困难在于轨迹的演化随着时间范围增长变得越来越不确定和不可预测，进而增加了问题的复杂性。为克服此问题，本文提出 Di-Long，一种采用短期轨迹模型预测器蒸馏以在训练过程中引导长期轨迹预测学生网络的新方法。给定包含学生网络允许观测和互补目标序列的总序列长度，我们让学生和教师解决定义在同一完整轨迹上的两个不同相关任务：学生观测短序列并预测长轨迹，而教师观测较长序列并预测剩余的短目标轨迹。教师的任务不确定性较小，我们利用其准确预测通过知识蒸馏框架引导学生，从而降低长期未来的不确定性。我们的实验表明，所提出的 Di-Long 方法对长期预测有效，并在 Intersection Drone Dataset (inD) 和 Stanford Drone Dataset (SDD) 上取得了最先进的性能。
引用
@article{arxiv.2305.08553,
title = {Distilling Knowledge for Short-to-Long Term Trajectory Prediction},
author = {Sourav Das and Guglielmo Camporese and Shaokang Cheng and Lamberto Ballan},
journal= {arXiv preprint arXiv:2305.08553},
year = {2024}
}
备注
Accepted to IROS 2024