分而治之用于车道感知的多样化轨迹预测
计算机视觉与模式识别
2021-04-19 v1
摘要
轨迹预测是自动驾驶车辆规划和执行动作的安全关键工具。我们的工作解决了轨迹预测中的两个关键挑战：学习多模态输出，以及利用驾驶知识施加约束以实现更好的预测。近期方法使用多选择学习目标（如赢者通吃（WTA）或最佳多选）取得了强劲性能。但这些方法对学习多样化假设的影响研究不足，因为此类目标高度依赖其初始化以实现多样性。作为首个贡献，我们提出了一种新颖的分而治之（DAC）方法，作为 WTA 目标的更好初始化技术，从而在无伪模式的情况下产生多样化输出。我们的第二个贡献是一个名为 ALAN 的新颖轨迹预测框架，该框架使用现有车道中心线作为锚点，提供约束于输入车道的轨迹。我们的框架通过超列描述符捕获交互，并融入以栅格化图像和每智能体车道锚点形式的场景信息，在前向传播中提供多智能体轨迹输出。在合成与真实数据上的实验表明，所提出的 DAC 相较于其他 WTA 系列目标能更好地捕获数据分布。此外，我们展示了我们的 ALAN 方法在 Nuscenes 城市驾驶基准上评估时，与 SOTA 方法性能相当或更优。
引用
@article{arxiv.2104.08277,
title = {Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction},
author = {Sriram Narayanan and Ramin Moslemi and Francesco Pittaluga and Buyu Liu and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2104.08277},
year = {2021}
}
备注
CVPR 21 (Oral)