联合学习智能体与车道信息用于多模态轨迹预测
机器学习
2021-11-29 v1 计算机视觉与模式识别
机器人学
摘要
预测附近智能体合理的未来轨迹是自动驾驶车辆安全的首要挑战，其主要依赖于两个外部线索：动态邻近智能体与静态场景上下文。近期方法在分别刻画这两类线索上已取得很大进展，但它们忽略了两类线索间的关联，且多数难以实现地图自适应预测。本文以车道作为场景数据，提出一个分阶段网络，联合学习智能体与车道信息用于多模态轨迹预测（JAL-MTP）。JAL-MTP 使用 Social to Lane（S2L）模块将静态车道与邻近智能体的动态运动联合表示为实例级车道，采用循环车道注意力（RLA）机制利用实例级车道预测地图自适应未来轨迹，并使用两个选择器甄别典型且合理的轨迹。在公开 Argoverse 数据集上的实验表明，JAL-MTP 在定量与定性上均显著优于现有模型。
引用
@article{arxiv.2111.13350,
title = {Jointly Learning Agent and Lane Information for Multimodal Trajectory Prediction},
author = {Jie Wang and Caili Guo and Minan Guo and Jiujiu Chen},
journal= {arXiv preprint arXiv:2111.13350},
year = {2021}
}