MART：用于多智能体轨迹预测的多尺度关系Transformer网络
机器学习
2024-08-01 v1
摘要
多智能体轨迹预测对自动驾驶和理解周围环境至关重要。近年来，基于学习的多智能体轨迹预测方法（如主要依赖图神经网络、图Transformer和超图神经网络）在真实数据集上展现出卓越性能。然而，基于超图Transformer的轨迹预测方法尚未被探索。因此，我们提出了一种用于多智能体轨迹预测的多尺度关系Transformer（MART）网络。MART是一种超图Transformer架构，能够在Transformer机制中考虑个体和群体行为。MART的核心模块是编码器，由成对关系Transformer（PRT）和超关系Transformer（HRT）组成。该编码器通过引入HRT扩展了关系Transformer的能力，HRT将超边特征整合到Transformer机制中，促使注意力权重聚焦于群体间关系。此外，我们提出了一种自适应群体估计器（AGE），用于推断真实环境中的复杂群体关系。在三个真实数据集（NBA、SDD和ETH-UCY）上的广泛实验表明，我们的方法达到了最先进的性能，在NBA数据集上将ADE/FDE分别提升了3.9%/11.8%。代码可在 https://github.com/gist-ailab/MART 获取。
引用
@article{arxiv.2407.21635,
title = {MART: MultiscAle Relational Transformer Networks for Multi-agent Trajectory Prediction},
author = {Seongju Lee and Junseok Lee and Yeonguk Yu and Taeri Kim and Kyoobin Lee},
journal= {arXiv preprint arXiv:2407.21635},
year = {2024}
}
备注
19 pages, 12 figures, 7 tables, 8 pages of supplementary material. Paper accepted at ECCV 2024