GameFormer：基于博弈论建模与 Transformer 的自动驾驶交互式预测与规划
机器人学
2023-08-15 v2
摘要
在复杂真实环境中运行的自动驾驶车辆需要准确预测交通参与者之间的交互行为。本文通过层次化博弈论对该交互预测问题进行建模，并提出 GameFormer 模型以实现该建模。该模型包含可有效建模场景元素间关系的 Transformer 编码器，以及一种新颖的层次化 Transformer 解码器结构。在每一解码层级，解码器利用上一层的预测结果以及共享的环境上下文，迭代地精炼交互过程。此外，我们提出一种学习过程，用于调节当前层级智能体的行为以响应其他智能体在上一层的行为。通过在大规模真实驾驶数据集上的充分实验，我们证明了我们的模型在 Waymo 交互预测任务上达到了最先进（SOTA）精度。另外，我们在开环与闭环规划测试中验证了该模型联合推理自车智能体运动规划与多智能体行为的能力，优于多种基线方法。此外，我们在 nuPlan 规划基准上评估了模型效能，其取得了领先性能。
引用
@article{arxiv.2303.05760,
title = {GameFormer: Game-theoretic Modeling and Learning of Transformer-based Interactive Prediction and Planning for Autonomous Driving},
author = {Zhiyu Huang and Haochen Liu and Chen Lv},
journal= {arXiv preprint arXiv:2303.05760},
year = {2023}
}
备注
2023 IEEE/CVF International Conference on Computer Vision (ICCV)