用于多模态车辆轨迹预测的分层潜变量结构
计算机视觉与模式识别
2022-07-12 v1
摘要
变分自编码器（VAE）因理论优雅、易于训练且具有良好流形表示，已被广泛用于建模数据分布。然而，当应用于图像重建与合成任务时，VAE 表现出生成样本趋于模糊的局限。我们观察到在基于 VAE 的轨迹预测模型中常出现类似问题，即生成的轨迹位于相邻车道之间。为缓解该问题，我们在基于 VAE 的预测模型中引入分层潜变量结构。基于轨迹分布可近似为若干简单分布（或模态）混合的假设，低层潜变量用于建模混合的每一模态，高层潜变量用于表示各模态的权重。为准确建模每一模态，我们使用以新颖方式计算的两个车道级上下文向量来条件化低层潜变量，其一对应车辆-车道交互，另一对应车辆-车辆交互。这些上下文向量也通过所提出的模态选择网络用于建模权重。为评估我们的预测模型，我们使用了两个大规模真实世界数据集。实验结果表明，我们的模型不仅能生成清晰的多模态轨迹分布，而且在预测精度上优于当前最优（SOTA）模型。我们的代码见 https://github.com/d1024choi/HLSTrajForecast。
引用
@article{arxiv.2207.04624,
title = {Hierarchical Latent Structure for Multi-Modal Vehicle Trajectory Forecasting},
author = {Dooseop Choi and KyoungWook Min},
journal= {arXiv preprint arXiv:2207.04624},
year = {2022}
}
备注
ECCV2022