探索用于车辆运动预测的注意力 GAN
计算机视觉与模式识别
2022-09-27 v1 人工智能
机器人学
摘要
设计安全可靠的自动驾驶栈（ADS）是我们时代最具挑战性的任务之一。这些 ADS 预期在高度动态的环境中以完全自主性运行，且可靠性高于人类。就此而言，为在任意复杂交通场景中高效且安全地导航，ADS 必须具备预测周围参与者未来轨迹的能力。当前最先进的模型通常基于循环、图与卷积网络，在车辆预测方面取得了显著成果。本文中我们探索注意力在用于运动预测的生成模型中的影响，同时考虑物理与社会上下文以计算最合理的轨迹。我们首先使用 LSTM 网络编码历史轨迹，其作为计算社会上下文的多头自注意力模块的输入。另一方面，我们制定一种加权插值以计算最后一观测帧中的速度与朝向，从而计算可接受的目标点，这些目标点提取自代表我们物理上下文的 HDMap 信息可行驶区域。最后，我们生成器的输入是从多元正态分布采样的白噪声向量，而社会与物理上下文为其条件，以预测合理轨迹。我们使用 Argoverse Motion Forecasting Benchmark 1.1 验证我们的方法，取得了具竞争力的单峰结果。
引用
@article{arxiv.2209.12674,
title = {Exploring Attention GAN for Vehicle Motion Prediction},
author = {Carlos Gómez-Huélamo and Marcos V. Conde and Miguel Ortiz and Santiago Montiel and Rafael Barea and Luis M. Bergasa},
journal= {arXiv preprint arXiv:2209.12674},
year = {2022}
}
备注
IEEE International Conference on Intelligent Transportation Systems 2022