面向运动预测的高效数据表示：一种场景特定轨迹集方法
计算机视觉与模式识别
2024-12-10 v2 机器人学
摘要
表示多样化且合理的未来轨迹对于自动驾驶中的运动预测至关重要。然而，如何在一个紧凑的集合中高效地捕获这些轨迹仍然具有挑战性。本研究引入了一种新方法，通过利用地图信息和参与者动态，生成针对不同场景（如十字路口和直路）定制的场景特定轨迹集。一种确定性目标采样算法识别相关的地图区域，而我们的递归分布内子采样（RIDS）方法通过压缩冗余表示来增强轨迹的合理性。在Argoverse 2数据集上的实验表明，与基线方法相比，我们的方法在驾驶区域合规性（DAC）上实现了高达10%的提升，同时保持了有竞争力的位移误差。我们的工作凸显了挖掘此类场景感知轨迹集的益处，以及它们如何能够捕捉真实世界驾驶场景中参与者行为的复杂和异质特性。
引用
@article{arxiv.2407.20732,
title = {Efficient Data Representation for Motion Forecasting: A Scene-Specific Trajectory Set Approach},
author = {Abhishek Vivekanandan and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2407.20732},
year = {2024}
}