大轨迹模型是可扩展的运动预测与规划器
机器人学
2024-02-29 v3 人工智能
计算机视觉与模式识别
摘要
运动预测与规划是自动驾驶中的关键任务，近期研究已转向基于机器学习的方法。挑战包括理解多样道路拓扑、长时间尺度上推理交通动态、解释异质行为，以及在大型连续状态空间中生成策略。受大语言模型通过模型扩展应对类似复杂性的成功启发，我们引入一种称为状态变换器（STR）的可扩展轨迹模型。STR 通过将观测、状态与动作排列为统一序列建模任务，重构了运动预测与运动规划问题。我们的方法将轨迹生成问题与其他序列建模问题统一，借助语言建模等邻近领域的突破实现快速迭代。值得注意的是，实验结果表明大轨迹模型（LTMs，如 STR）遵循缩放定律，展现出卓越的适应性与学习效率。定性结果进一步证明 LTMs 能在显著偏离训练数据分布的场景中做出合理预测。LTMs 还学会为长期规划进行复杂推理，无需显式损失设计或昂贵的高层标注。
引用
@article{arxiv.2310.19620,
title = {Large Trajectory Models are Scalable Motion Predictors and Planners},
author = {Qiao Sun and Shiduo Zhang and Danjiao Ma and Jingzhe Shi and Derun Li and Simian Luo and Yu Wang and Ningyi Xu and Guangzhi Cao and Hang Zhao},
journal= {arXiv preprint arXiv:2310.19620},
year = {2024}
}