学习用于运动预测的车道图表示
计算机视觉与模式识别
2020-07-28 v1
摘要
我们提出了一种运动预测模型，其利用了新颖的结构化地图表示以及智能体与地图的交互。我们不是将矢量化的地图编码为栅格图像，而是从原始地图数据构建车道图以显式保留地图结构。为捕获车道图的复杂拓扑与长程依赖，我们提出 LaneGCN，其通过多个邻接矩阵与沿车道膨胀来扩展图卷积。为捕获智能体与地图之间的复杂交互，我们利用一个由四类交互组成的融合网络：智能体到车道、车道到车道、车道到智能体以及智能体到智能体。借助 LaneGCN 与智能体-地图交互，我们的模型能够预测准确且真实的多模态轨迹。我们的方法在大规模 Argoverse 运动预测基准上显著优于最先进水平。
引用
@article{arxiv.2007.13732,
title = {Learning Lane Graph Representations for Motion Forecasting},
author = {Ming Liang and Bin Yang and Rui Hu and Yun Chen and Renjie Liao and Song Feng and Raquel Urtasun},
journal= {arXiv preprint arXiv:2007.13732},
year = {2020}
}
备注
ECCV 2020 Oral