EANet：面向在线轨迹预测的专家注意力网络
机器学习
2023-09-13 v1 人工智能
机器人学
摘要
轨迹预测在自动驾驶中起着关键作用。现有主流研究与基于持续学习的方法都需要在完整数据集上训练，导致在场景突发变化时预测精度差，且无法及时响应与更新模型。这些方法能否实时预测并利用数据样本立即更新模型（即在线学习设定）仍是一个问题。由数据样本流引起的梯度爆炸或消失问题也需解决。受 Hedge Propagation 算法启发，我们提出专家注意力网络（Expert Attention Network），一种完整的在线轨迹预测学习框架。我们引入专家注意力，调整网络层不同深度的权重，避免模型因梯度问题更新缓慢，并实现对新场景知识的快速学习以恢复预测精度。此外，我们提出对场景变化敏感的短期运动趋势核函数，使模型能够快速响应。据我们所知，本工作是解决轨迹预测中在线学习问题的首次尝试。实验结果表明传统方法受梯度问题困扰，而我们的方法能快速降低预测误差并达到最先进（state-of-the-art, SOTA）的预测精度。
引用
@article{arxiv.2309.05683,
title = {EANet: Expert Attention Network for Online Trajectory Prediction},
author = {Pengfei Yao and Tianlu Mao and Min Shi and Jingkai Sun and Zhaoqi Wang},
journal= {arXiv preprint arXiv:2309.05683},
year = {2023}
}