HPNet: 基于历史预测注意力的动态轨迹预测
计算机视觉与模式识别
2024-04-12 v2
摘要
预测道路代理的轨迹对于自动驾驶系统至关重要。近期主流方法遵循静态范式，即使用固定长度的历史帧预测未来轨迹。这些方法即使在相邻时间步也独立进行预测，导致潜在的不稳定性和时间不一致性。由于连续时间步的历史帧大部分重叠，它们的预测应具有内在相关性，例如重叠的预测轨迹应一致，或者根据道路情况不同但共享相同的运动目标。受此启发，本文提出HPNet，一种新颖的动态轨迹预测方法。为了稳定且准确地预测轨迹，我们的方法不仅利用历史帧（包括地图和代理状态），还利用历史预测。具体来说，我们新设计了一个历史预测注意力模块，自动编码连续预测之间的动态关系。此外，它还扩展了注意力范围，超越了当前可见窗口，得益于历史预测的使用。所提出的历史预测注意力与代理注意力和模式注意力一起进一步被公式化为三重因子注意力模块，作为HPNet的核心设计。在Argoverse和INTERACTION数据集上的实验表明，HPNet达到了最先进的性能，并生成了准确且稳定的未来轨迹。我们的代码可在https://github.com/XiaolongTang23/HPNet获取。
引用
@article{arxiv.2404.06351,
title = {HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention},
author = {Xiaolong Tang and Meina Kan and Shiguang Shan and Zhilong Ji and Jinfeng Bai and Xilin Chen},
journal= {arXiv preprint arXiv:2404.06351},
year = {2024}
}
备注
CVPR2024