利用循环一致性损失改进自动驾驶运动预测
计算机视觉与模式识别
2022-11-02 v1
摘要
动态场景的鲁棒运动预测是自动驾驶车辆的关键组成部分。由于场景的异质性和问题固有的不确定性，这是一个具有挑战性的问题。为提高运动预测的准确性，本文在该任务中识别了一种新的一致性约束，即智能体的未来轨迹应与其历史观测相一致，反之亦然。为利用该性质，我们提出了一种新颖的循环一致性训练方案，并定义了一种新颖的循环损失以鼓励这种一致性。具体而言，我们将预测的未来轨迹在时间上反向回放，并将其反馈至预测模型以预测历史，并将该损失作为额外的循环损失项进行计算。通过在Argoverse数据集上的实验，我们证明了循环损失能够提升竞争性运动预测模型的性能。
引用
@article{arxiv.2211.00149,
title = {Improving Motion Forecasting for Autonomous Driving with the Cycle Consistency Loss},
author = {Titas Chakraborty and Akshay Bhagat and Henggang Cui},
journal= {arXiv preprint arXiv:2211.00149},
year = {2022}
}
备注
Accepted at NeurIPS 2022 Machine Learning for Autonomous Driving Workshop