HYPER：基于因子化推断与自适应采样的习得混合轨迹预测
机器人学
2021-10-07 v1 人工智能
机器学习
摘要
对多模态高层意图建模对于保证轨迹预测的多样性十分重要。现有方法在预测连续轨迹前先探索人类意图的离散特性，以提高准确性并支持可解释性。然而，这些方法通常假设意图在预测时域内保持不变，这在实际中尤其对较长时域而言存在问题。为克服该局限，我们提出 HYPER，一个通用且具表达力的混合预测框架，可对演化中的人类意图建模。通过将交通参与者建模为离散-连续混合系统，我们的方法能够预测离散意图随时间的改变。我们通过最大似然估计问题学习该概率混合模型，并利用神经提议分布在指数增长的离散空间中自适应采样。整体方法在准确性与覆盖率之间取得了更好的权衡。我们在 Argoverse 数据集上训练并验证模型，并通过全面的消融实验与最先进(state-of-the-art)模型的对比证明其有效性。
引用
@article{arxiv.2110.02344,
title = {HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and Adaptive Sampling},
author = {Xin Huang and Guy Rosman and Igor Gilitschenski and Ashkan Jasour and Stephen G. McGill and John J. Leonard and Brian C. Williams},
journal= {arXiv preprint arXiv:2110.02344},
year = {2021}
}
备注
12 pages, 10 figures, 4 tables