具有可容许性约束的多样化概率轨迹预测
机器学习
2023-02-08 v1
摘要
为道路使用者预测多条轨迹对自动驾驶系统十分重要：自车运动规划确实需要清晰了解周围智能体的可能运动。然而，用于多轨迹预测的生成模型在其提议中缺乏多样性。为避免这种形式的坍缩，我们提出一种用于多样化轨迹结构化预测的新方法。为此，我们用一个基于行列式点过程（DPP）的多样性组件来补充底层的预训练生成模型。我们通过纳入与底层生成模型无关的基于知识的质量约束来平衡并结构化这一多样性。我们将这两个新组件与一门控操作结合，确保预测既具多样性又位于可行驶区域内。我们在 nuScenes 驾驶数据集上展示了我们复合方法的相关性，其在生成轨迹的多样性与质量上均带来显著提升。
引用
@article{arxiv.2302.03462,
title = {Diverse Probabilistic Trajectory Forecasting with Admissibility Constraints},
author = {Laura Calem and Hedi Ben-Younes and Patrick Pérez and Nicolas Thome},
journal= {arXiv preprint arXiv:2302.03462},
year = {2023}
}