用于多模态轨迹预测的分层轻量Transformer集成

准确的轨迹预测对于各种系统的性能至关重要，例如高级驾驶辅助系统和自动驾驶车辆。这些预测使我们能够预见导致碰撞的事件，从而减轻它们。深度神经网络在运动预测方面表现出色，但过度自信和弱不确定性量化仍然存在。深度集成解决了这些问题，但将其应用于多模态分布仍然具有挑战性。在本文中，我们提出了一种名为分层轻量Transformer集成（HLT-Ens）的新方法，旨在使用一种新颖的分层损失函数高效地训练Transformer架构的集成。HLT-Ens利用分组全连接层（受分组卷积技术启发）来有效捕获多模态分布。我们通过大量实验证明，HLT-Ens达到了最先进的性能水平，为改进轨迹预测技术提供了一条有希望的途径。