通过神经随机微分方程提升跨域轨迹预测的迁移性
计算机视觉与模式识别
2023-12-27 v1
摘要
多智能体轨迹预测对于各种实际应用至关重要，推动了包括车辆和行人在内的许多大规模轨迹数据集的构建。然而，由于外部因素和数据采集策略，数据集之间存在差异。外部因素包括地理差异和驾驶风格，而数据采集策略包括数据采集率、历史/预测长度以及检测器/跟踪器误差。因此，在大规模数据集上训练出的模型在其他小规模数据集上的迁移性有限，限制了现有大规模数据集的利用。为了解决这一局限性，我们提出了一种基于神经随机微分方程(NSDE)的连续和随机表示的方法，以缓解数据采集策略造成的差异。我们利用连续表示处理任意时间步长的优势，以及使用随机表示处理检测器/跟踪器误差的优势。此外，我们提出了一种数据集特定的扩散网络及其训练框架，以处理数据集特定的检测/跟踪误差。我们在流行的基准数据集nuScenes、Argoverse、Lyft、INTERACTION和Waymo开放运动数据集(WOMD)上，与最先进的轨迹预测模型验证了我们方法的有效性。在各种源和目标数据集配置上的性能提升表明，我们的方法在处理跨数据集差异方面具有通用能力。
引用
@article{arxiv.2312.15906,
title = {Improving Transferability for Cross-domain Trajectory Prediction via Neural Stochastic Differential Equation},
author = {Daehee Park and Jaewoo Jeong and Kuk-Jin Yoon},
journal= {arXiv preprint arXiv:2312.15906},
year = {2023}
}
备注
AAAI24