用于自动驾驶感知与预测的隐式占据流场
计算机视觉与模式识别
2023-08-04 v1 人工智能
机器学习
机器人学
摘要
自动驾驶车辆（SDV）必须能够感知其周围环境并预测其他交通参与者的未来行为。现有工作要么执行目标检测然后对检测到的目标进行轨迹预测，要么为整个场景预测稠密占据和流网格。前者引发安全担忧，因为出于效率原因检测数量需保持较低，牺牲了目标召回率。后者由于输出网格的高维性计算昂贵，并且受限于全卷积网络固有的有限感受野。此外，两种方法都耗费大量计算资源来预测运动规划器可能永远不会查询的区域或目标。这促使我们采用统一的感知与未来预测方法，用单个神经网络隐式表示随时间变化的占据和流。我们的方法避免了不必要的计算，因为它可由运动规划器在连续时空位置直接查询。此外，我们设计了一种架构，通过添加高效且有效的全局注意力机制，克服了先前显式占据预测方法的有限感受野。通过在城市和高速公路场景中的大量实验，我们证明了我们的隐式模型优于当前最先进水平。更多信息请访问项目网站：https://waabi.ai/research/implicito。
引用
@article{arxiv.2308.01471,
title = {Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving},
author = {Ben Agro and Quinlan Sykora and Sergio Casas and Raquel Urtasun},
journal= {arXiv preprint arXiv:2308.01471},
year = {2023}
}
备注
19 pages, 13 figures