通过知识蒸馏增强无地图轨迹预测
计算机视觉与模式识别
2023-06-27 v1
摘要
场景信息在自动驾驶轨迹预测系统中起着关键作用，为交通智能体的潜在未来路径提供语义线索与约束。流行的轨迹预测技术常将高精地图（HD maps）作为部分输入以提供场景知识。尽管高精地图提供精确的道路信息，但其可能受制于高昂的标注成本或法律限制，从而阻碍广泛应用。因此，那些方法仍期望在无地图场景下生成可靠的预测结果。本文中，我们解决在测试阶段地图信息不可用时，提升多模态预测轨迹与真实道路拓扑一致性的问题。具体而言，我们通过在标注样本上训练基于地图的预测教师网络，并利用双重知识蒸馏框架将知识迁移至无地图学生预测网络来实现。我们的方案对常见轨迹预测网络具有通用性，且不带来额外计算负担。实验结果表明，我们的方法在许多广泛使用的先进轨迹预测基线上稳定提升了无地图模式下的预测性能，弥补了因缺失高精地图造成的差距。定性可视化结果显示我们的方法有助于推断未见的地图信息。
引用
@article{arxiv.2306.14177,
title = {Enhancing Mapless Trajectory Prediction through Knowledge Distillation},
author = {Yuning Wang and Pu Zhang and Lei Bai and Jianru Xue},
journal= {arXiv preprint arXiv:2306.14177},
year = {2023}
}
备注
submitted to NeurIPS 2023