G2LTraj：面向轨迹预测的全局到局部生成方法
计算机视觉与模式识别
2024-05-01 v1 人工智能
摘要
准确预测交通主体的未来轨迹在诸多应用中具有重要重要性，如自动驾驶领域。以往的方法通常递归或同时推断主体的所有未来步骤。然而，递归策略会导致误差累积，而同时策略则忽略了未来步骤之间的约束，导致运动学不可行的预测。为此，本文提出了 G2LTraj，一种用于轨迹预测的即插即用全局到局部生成方法。具体而言，我们生成一系列覆盖整个未来时间范围的全局关键步骤。随后，递归填充相邻关键步骤之间的局部中间步骤。如此一来，可防止误差累积超出相邻关键步骤。此外，为提升运动学可行性，我们不仅引入关键步骤之间的空间约束，还加强了中间步骤之间的时序约束。最后，为确保关键步骤的最优细粒度，我们设计了一种可调细粒度策略，以适应每个预测轨迹。我们的 G2LTraj 在 ETH、UCY 和 nuScenes 数据集上显著提高了七个现有轨迹预测器的性能。实验结果表明其有效性。代码将在 https://github.com/Zhanwei-Z/G2LTraj 提供。
引用
@article{arxiv.2404.19330,
title = {G2LTraj: A Global-to-Local Generation Approach for Trajectory Prediction},
author = {Zhanwei Zhang and Zishuo Hua and Minghao Chen and Wei Lu and Binbin Lin and Deng Cai and Wenxiao Wang},
journal= {arXiv preprint arXiv:2404.19330},
year = {2024}
}
备注
Accepted by IJCAI 2024