融合类别不确定性的异质智能体轨迹预测
计算机视觉与模式识别
2022-03-04 v2 机器学习
机器人学
摘要
推断其他智能体未来行为对机器人安全导航至关重要。数据驱动的智能体状态估计（包括位置、速度和语义类别）所固有的不确定性，进一步放大了合理未来的多样性。然而，预测方法通常忽略类别不确定性，仅以智能体最可能类别为条件，尽管感知模型常返回完整的类别分布。为利用该信息，我们提出HAICU，一种显式融合智能体类别概率的异质智能体轨迹预测方法。我们还提出PUP，一个具有挑战性的新型真实世界自动驾驶数据集，用于研究感知不确定性在预测（Perceptual Uncertainty in Prediction）中的影响。它包含反映当前最先进感知系统长尾的、未经过滤智能体类别概率的拥挤困难场景。我们证明，在轨迹预测中融入类别概率可显著提升不确定性下的性能，并启用如反事实预测等新的预测能力。
引用
@article{arxiv.2104.12446,
title = {Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty},
author = {Boris Ivanovic and Kuan-Hui Lee and Pavel Tokmakov and Blake Wulfe and Rowan McAllister and Adrien Gaidon and Marco Pavone},
journal= {arXiv preprint arXiv:2104.12446},
year = {2022}
}
备注
15 pages, 15 figures, 6 tables