DsMCL：用于多模态轨迹预测的双层随机多选学习
信号处理
2020-08-17 v2
摘要
为了驾驶的安全与效率，自动驾驶车辆应能在复杂动态环境中预测周围交通参与者的行为。完成此类任务的关键在于轨迹预测。尽管许多研究者投身于此课题，它仍具挑战性。一个重要且固有的因素是车辆运动的多模态性。由于相同条件下驾驶行为各异，车辆轨迹的预测也应是多模态的。目前，多模态轨迹预测的相关研究或多或少存在不足，例如需要显式模态标签或因采样引发多次前向传播。本工作中，我们着眼于克服这些问题，指出车辆运动中多模态特征的双层特性，并提出双层随机多选学习方法(简称DsMCL)。该方法无需模态标签，且能通过单次前向传播实现全面的概率化多模态轨迹预测。通过在NGSIM与HighD数据集上的实验，我们的方法已在若干轨迹预测框架上证明显著改进，并取得了最先进的性能。
引用
@article{arxiv.2003.08638,
title = {DsMCL: Dual-Level Stochastic Multiple Choice Learning for Multi-Modal Trajectory Prediction},
author = {Zehan Wang and Sihong Zhou and Yuyao Huang and Wei Tian},
journal= {arXiv preprint arXiv:2003.08638},
year = {2020}
}