在无标签统一概率模型中学习与预测多模态车辆动作分布
机器人学
2022-12-15 v1 机器学习
摘要
我们提出一种统一的概率模型，该模型学习一组具有代表性的离散车辆动作，并在给定特定场景时预测每个动作的概率。我们的模型还使我们能够估计以场景为条件的连续轨迹分布，表示在该场景中执行每个离散动作时其可能的样子。虽然我们的主要目标是学习具有代表性的动作集合，但这些能力结合起来作为副产品产生了准确的多模态轨迹预测。尽管我们学习的动作表示与语义上有意义的类别（例如“直行”、“左转”等）非常相似，但我们的方法完全是自监督的，不使用任何人工生成的标签或类别。我们的方法建立在变分推断和深度无监督聚类的最新进展之上，基于确定性模型评估产生完整的分布估计。
引用
@article{arxiv.2212.07013,
title = {Learning and Predicting Multimodal Vehicle Action Distributions in a Unified Probabilistic Model Without Labels},
author = {Charles Richter and Patrick R. Barragán and Sertac Karaman},
journal= {arXiv preprint arXiv:2212.07013},
year = {2022}
}
备注
Presented at the Fresh Perspectives on the Future of Autonomous Driving workshop, ICRA 2022