GoIRL：用于多模态轨迹预测的面向图逆强化学习
计算机视觉与模式识别
2025-06-27 v1 机器人学
摘要
由于固有的不确定性和潜在的多模态性，周围智能体的轨迹预测是自动驾驶中一项具有挑战性的任务。与主要依赖监督学习的现有数据驱动方法不同，在本文中，我们引入了一种新颖的面向图逆强化学习框架，这是一个配备了矢量化上下文表示的基于 IRL 的预测器。我们开发了一个特征适配器，将车道图特征有效聚合到网格空间中，从而实现与最大熵 IRL 范式的无缝集成，以推断奖励分布并获得可被采样以生成多个合理规划的策略。此外，基于采样的规划，我们实现了一个带有细化模块的分层参数化轨迹生成器，以提高预测精度，并采用概率融合策略来提升预测置信度。大量实验结果表明，我们的方法不仅在大规模 Argoverse 和 nuScenes 运动预测基准上达到了 SOTA 性能，而且与现有的监督模型相比展现出更优异的泛化能力。
引用
@article{arxiv.2506.21121,
title = {GoIRL: Graph-Oriented Inverse Reinforcement Learning for Multimodal Trajectory Prediction},
author = {Muleilan Pei and Shaoshuai Shi and Lu Zhang and Peiliang Li and Shaojie Shen},
journal= {arXiv preprint arXiv:2506.21121},
year = {2025}
}
备注
Accepted by ICML 2025