基于生成重放的终身车辆轨迹预测框架

准确的车辆轨迹预测对可靠的自动驾驶至关重要。为在车辆行驶于不同城市时保持一致性能，适应变化的交通环境并实现终身轨迹预测模型是关键。为此，灾难性遗忘是一个亟待解决的主要问题。本文首先提出一种基于条件Kullback-Leibler散度的散度度量方法，以评估不同驾驶环境下时空依赖的差异。然后基于生成重放，开发了一种新颖的终身车辆轨迹预测框架。该框架由一个条件生成模型和一个车辆轨迹预测模型组成。条件生成模型是以车辆位置配置为条件的生成对抗网络。在学习和合并不同城市的车辆轨迹分布后，生成模型以先验采样重放轨迹作为输入，从而缓解灾难性遗忘。车辆轨迹预测模型由重放轨迹训练，并在已访问城市上取得一致的预测性能。我们在包含五项任务的四个开放数据集上建立了终身实验设置。计算了不同任务的时空依赖散度。尽管存在这些散度，所提框架展现出终身学习能力，并在所有任务上取得一致性能。