利用基于Frenet的坐标域归一化提升轨迹预测模型的泛化能力
机器人学
2023-12-21 v3
摘要
预测邻近物体的未来轨迹在机器人与自动化（如自动驾驶）中起着关键作用。尽管基于学习的轨迹预测方法在公开基准上取得了卓越性能，这些方法的泛化能力仍存疑。数据驱动方法公认缺陷——对未见域的泛化性差，可能损害轨迹预测模型在真实世界中的表现。因此我们致力于提升模型的泛化能力，而非仅追求平均高准确率。由于缺乏量化轨迹预测器泛化能力的基准，我们首先构建了名为argoverse-shift的新基准，其各域数据分布差异显著。利用该基准评估，我们确认域偏移问题严重阻碍轨迹预测器的泛化，因为最先进方法在面对那些分布外场景时遭遇严重性能退化。为增强模型对域偏移问题的鲁棒性，我们提出一种即插即用的轨迹预测域归一化策略。我们的策略利用Frenet坐标系进行建模，能有效缩小由道路几何与拓扑多样性导致的不同场景间的域鸿沟。实验表明，我们的策略显著提升了最先进模型在先前未见域上的预测性能，从而改善了数据驱动轨迹预测方法的泛化能力。
引用
@article{arxiv.2305.17965,
title = {Improving the Generalizability of Trajectory Prediction Models with Frenet-Based Domain Normalization},
author = {Luyao Ye and Zikang Zhou and Jianping Wang},
journal= {arXiv preprint arXiv:2305.17965},
year = {2023}
}
备注
This paper was published in 2023 IEEE International Conference on Robotics and Automation (ICRA). New version updated with links to the source code of the Frenet+ strategy