自动驾驶中运动预测的高效基线方法
机器人学
2023-11-02 v2 人工智能
多智能体系统
摘要
在多智能体 surround 环境中进行运动预测（MP）是一项关键任务，适用于从简单机器人到自动驾驶栈（ADS）等任意复杂场景。当前技术使用端到端流水线解决该问题，其输入数据通常为物理信息的俯视渲染图以及最相关智能体的历史轨迹；利用此类信息对于获得最优性能必不可少。就此而言，可靠的ADS必须及时产生合理预测。然而，尽管许多方法使用简单ConvNets和LSTMs获取社会潜在特征，最先进（SOTA）模型在同时使用两类信息源（地图与历史轨迹）时可能过于复杂而难以实时应用，且可解释性较差，尤其考虑到物理信息时。此外，此类模型的性能高度依赖于各具体交通场景中可用输入的数量，而这些输入获取成本高昂，特别是标注的高精（HD）地图。本工作中，我们为知名的Argoverse 1运动预测基准提出若干高效基线。我们旨在使用SOTA的MP技术（包括注意力机制与GNNs）开发紧凑模型。我们的轻量模型使用标准社会信息以及可解释的地图信息（如可行驶区域点与合理中心线），通过基于运动学约束的新颖预处理步骤获取，而非基于黑盒CNN或过于复杂图方法的地图编码，从而以少于其他SOTA方法的运算量与参数量生成合理的多模态轨迹，达到相当精度。我们的代码公开于 https://github.com/Cram3r95/mapfe4mp 。
引用
@article{arxiv.2309.03387,
title = {Efficient Baselines for Motion Prediction in Autonomous Driving},
author = {Carlos Gómez-Huélamo and Marcos V. Conde and Rafael Barea and Manuel Ocaña and Luis M. Bergasa},
journal= {arXiv preprint arXiv:2309.03387},
year = {2023}
}
备注
IEEE T-ITS Transactions on Intelligent Transportation Systems