FutureNet-LOF：基于未来上下文编码的联合轨迹预测与车道占有场预测

大多数先前的运动预测工作在不足够地编码未来情景，导致预测可能无法准确捕捉代理(例如车辆或行人)的多样化运动。在此基础上，我们提出FutureNet，显式地将最初预测的轨迹整合到未来情景中，并进一步编码这些未来上下文以增强后续预测。此外，大多数以前的运动预测工作都聚焦于为每个代理独立预测未来情景。然而，安全平稳的自动驾驶需要准确预测大量周围代理在复杂动态环境中的多样化未来行为。鉴于所有代理占据某些潜在旅行空间并具备车道驾驶优先权，我们提出车道占有场(LOF)，一种用于自动驾驶中运动预测的新型表示方法。LOF可同时捕获所有道路参与者未来时空位置的联合概率分布。由于车道占有场预测与轨迹预测高度兼容，我们提出一种 novel network，用于联合预测这两个任务。我们的 approach 在两个大规模运动预测基准测试中名列前茅：Argoverse 1和Argoverse 2。