ITPNet：面向自动驾驶的瞬时轨迹预测
计算机视觉与模式识别
2024-12-11 v1
摘要
智能体轨迹预测对自动驾驶安全至关重要，而现有方法通常依赖足够长的观测轨迹来预测智能体的未来轨迹。然而，在真实场景中，收集移动智能体充足的观测位置并不现实，导致大多数预测模型失效。例如，当一辆移动车辆因遮挡突然出现在自动驾驶车辆附近时，自动驾驶车辆需要在仅有有限观测轨迹位置的情况下快速且准确地预测该车辆未来的轨迹。基于此，我们聚焦研究瞬时轨迹预测任务，即推理时仅有两个观测位置可用。为此，我们提出了一种通用且即插即用的瞬时轨迹预测方法ITPNet。具体而言，我们提出反向预测机制，基于智能体的两个观测位置反向预测其未观测历史轨迹的潜在特征表示，并将其作为未来轨迹预测的补充信息。同时，由于预测的潜在特征表示中不可避免地存在噪声和冗余，我们进一步设计了噪声冗余消除Transformer，旨在过滤未观测轨迹中的噪声和冗余，并将过滤后的特征与观测特征整合为紧凑查询以进行未来轨迹预测。本质上，ITPNet可以自然地与现有轨迹预测模型兼容，使其能够优雅地处理瞬时轨迹预测的情况。在Argoverse和nuScenes数据集上的大量实验表明ITPNet优于基线方法，并验证了其与不同轨迹预测模型的有效性。
引用
@article{arxiv.2412.07369,
title = {ITPNet: Towards Instantaneous Trajectory Prediction for Autonomous Driving},
author = {Rongqing Li and Changsheng Li and Yuhang Li and Hanjie Li and Yi Chen and Dongchun Ren and Ye Yuan and Guoren Wang},
journal= {arXiv preprint arXiv:2412.07369},
year = {2024}
}