用于轨迹预测的分层运动编解码网络
计算机视觉与模式识别
2021-11-29 v1
摘要
轨迹预测在智能车辆或社交机器人领域中起着关键作用。近期工作聚焦于建模空间社会影响或时间运动注意力，却忽视了运动的内在属性，即运动趋势与驾驶意图。本文提出一种无上下文的分层运动编解码网络（HMNet）用于车辆轨迹预测。HMNet 首先推断运动的层级差异，以编码具有高运动趋势与驾驶意图表达力的物理合规模式。随后，一个目标（终点）嵌入的解码器依据位置-速度-加速度相关模式分层构建多模态预测。此外，我们提出一种考虑特定运动属性以表征社会交互的改进社会池化模块。HMNet 能够做出准确、单模态/多模态且物理-社会合规的预测。在三个公开轨迹预测数据集（即 NGSIM、HighD 和 Interaction）上的实验表明，我们的模型在定量与定性上均达到了最先进（SOTA）性能。我们将在此发布代码：https://github.com/xuedashuai/HMNet。
引用
@article{arxiv.2111.13324,
title = {Hierarchical Motion Encoder-Decoder Network for Trajectory Forecasting},
author = {Qifan Xue and Shengyi Li and Xuanpeng Li and Jingwen Zhao and Weigong Zhang},
journal= {arXiv preprint arXiv:2111.13324},
year = {2021}
}