别再双倍化：基于遮挡区域的智能体高效预测
机器人学
2026-01-30 v1
摘要
被遮挡的交通主体是自动驾驶车辆面临的重大挑战之一，因为隐藏的行人或车辆可能突然出现，而这一问题却鲜有研究。现有的基于学习的方法虽然能够推断隐藏主体的存在，但常常会产生冗余的占用预测，即单个主体被多次识别。这一问题会使下游规划变得复杂并增加计算负担。为此，我们引入MatchInformer，一种基于Transformer的新颖方法，建立在领先的SceneInformer架构之上。我们的方法通过整合来自目标检测中最先进的对象匹配算法——匈牙利匹配，到训练过程中，以确保预测与真实标注之间的一对一对应，从而减少冗余。我们进一步通过将主体的朝向与其运动解耦来优化轨迹预测，该策略提高了预测路径的准确性和可解释性。为更好地处理类别不平衡问题，我们提出使用 Matthews 相关系数 (MCC) 来评估占用预测。MCC 通过考虑混淆矩阵中的所有条目，提供了即使在稀疏或不平衡情景下的稳健度量。在Waymo开放运动数据集上的实验表明，我们的方法能够改进对遮挡区域的推理，并比先前方法产生更准确的轨迹预测。
引用
@article{arxiv.2601.21504,
title = {Don't double it: Efficient Agent Prediction in Occlusions},
author = {Anna Rothenhäusler and Markus Mazzola and Andreas Look and Raghu Rajan and Joschka Bödecker},
journal= {arXiv preprint arXiv:2601.21504},
year = {2026}
}