利用稀疏语义层的潜表示改进基于胶囊网络的短期运动预测
计算机视觉与模式识别
2021-03-29 v3 人工智能
摘要
由于城市环境表现出高度的复杂性，嵌入自动驾驶车辆（AVs）中的安全系统能够准确预判附近智能体的短期未来运动至关重要。该问题可进一步理解为生成描述被跟踪智能体未来运动的坐标序列。各种已有方法表明，使用道路的自上而下栅格化图像并结合卷积神经网络（CNNs）来提取定义道路结构的相关特征（例如可行驶区域、车道、人行道）具有显著优势。相比之下，本文探索在学习的背景下使用胶囊网络（CapsNets）来学习对应于高清（HD）地图小区域的稀疏语义层的层次化表示。地图的每个区域被拆解为相对于智能体当前位置提取的独立几何层。通过使用基于 CapsNets 的架构，模型能够保留图像中检测特征之间的层次关系，同时防止常由池化操作引起的空间数据丢失。我们在公开可用的 nuTonomy scenes 数据集上训练并评估我们的模型，并与近期发表的方法进行比较。我们表明，在确定性预测方面，我们的模型相比近期发表的工作取得了显著改进，同时大幅减小了网络的整体规模。
引用
@article{arxiv.2103.01644,
title = {Exploiting latent representation of sparse semantic layers for improved short-term motion prediction with Capsule Networks},
author = {Albert Dulian and John C. Murray},
journal= {arXiv preprint arXiv:2103.01644},
year = {2021}
}