LiMTR: 通过多模态特征融合实现多样化道路使用者的时间序列运动预测
机器学习
2024-10-22 v1 人工智能
计算机视觉与模式识别
摘要
准确预测道路使用者的行为对于在城市或人口密集区域实现自动驾驶车辆的安全运行至关重要。因此，时间序列运动预测研究日益受到关注，近年来最先进技术取得了显著进展。然而，利用 LiDAR 数据捕捉更详细的局部特征（例如人的视线或姿态）的潜力在很大程度上仍未得到探索。为解决此问题，我们基于 PointNet 基础模型架构，开发了一种新颖的多模态运动预测方法，该方法融合了局部 LiDAR 特征。在 Waymo 开放数据集上的评估表明，与先前最先进的 MTR 相比，集成后我们的方法在 minADE 和 mAP 上分别实现了 6.20% 和 1.58% 的性能提升。我们开源了 LiMTR 模型的代码。
引用
@article{arxiv.2410.15819,
title = {LiMTR: Time Series Motion Prediction for Diverse Road Users through Multimodal Feature Integration},
author = {Camiel Oerlemans and Bram Grooten and Michiel Braat and Alaa Alassi and Emilia Silvas and Decebal Constantin Mocanu},
journal= {arXiv preprint arXiv:2410.15819},
year = {2024}
}
备注
Accepted at the NeurIPS 2024 workshop Time Series in the Age of Large Models. Code available at https://github.com/Cing2/LiMTR