基于语义和动态占用栅格图的流动引导运动预测

精确预测驾驶场景对于道路安全和自动驾驶至关重要。占用栅格图 (OGM) 因其结构化的空间表示、跨传感器模态的灵活性以及不确定性集成等优势，常用于场景预测。最近的研究成功将 OGM 与深度学习方法结合，用于预测场景的演变并学习复杂行为。然而，这些方法未考虑对流或速度向量的预测。本文提出了一种新型多任务框架，利用动态 OGM 和语义信息来预测未来车辆语义栅格和场景的未来流。这种语义流的融合不仅提供了中间场景特征，也 enables 生成压缩后的语义栅格。在真实世界的 NuScenes 数据集上进行评估，结果表明该方法在预测能力和保持场景中动态车辆方面均取得了改进。