基于车道损失训练的两阶段预测网络实现多样化多轨迹预测
计算机视觉与模式识别
2023-01-05 v2
摘要
自动驾驶运动预测领域的现有研究往往侧重于寻找接近真实轨迹的轨迹。然而，此类问题表述与方法经常导致多样性丧失和轨迹预测偏差。因此，它们不适用于真实世界的自动驾驶，因为多样且依赖于道路的多模态轨迹预测对安全性至关重要。为此，本研究提出一种新颖的损失函数——Lane Loss（车道损失），其确保地图自适应的多样性并兼顾几何约束。一个带有新颖轨迹候选提议模块 Trajectory Prediction Attention (TPA) 的两阶段轨迹预测架构使用 Lane Loss 进行训练，鼓励多条轨迹以地图感知的方式多样化分布，覆盖可行的机动动作。此外，考虑到现有的轨迹性能指标侧重于基于真实未来轨迹评估准确性，本文还提出一种定量评估指标，用于评估所预测多条轨迹的多样性。在 Argoverse 数据集上进行的实验表明，所提方法在保持预测精度的同时显著提升了预测轨迹的多样性。
引用
@article{arxiv.2206.08641,
title = {Diverse Multiple Trajectory Prediction Using a Two-stage Prediction Network Trained with Lane Loss},
author = {Sanmin Kim and Hyeongseok Jeon and Junwon Choi and Dongsuk Kum},
journal= {arXiv preprint arXiv:2206.08641},
year = {2023}
}
备注
RA-L accepted