MetaTra：面向未见域泛化轨迹预测的元学习
机器人学
2024-02-14 v1 计算机视觉与模式识别
摘要
轨迹预测在自动驾驶和机器人导航等不同领域引起了广泛关注。然而，由于不同场景下轨迹模式的显著差异，在已知环境中训练的模型往往在未见环境中表现不佳。为了学习一个无需任何模型更新即可直接处理未见域的泛化模型，我们提出了一种基于元学习的轨迹预测新方法，名为 MetaTra。该方法引入了双轨迹 Transformer（Dual-TT），能够深入探索多样场景中的个体意图与群体运动模式内的交互。在此基础上，我们提出了一个元学习框架来模拟源域和目标域之间的泛化过程。此外，为了增强预测结果的稳定性，我们提出了一种串并联训练（SPT）策略以及一种名为 MetaMix 的特征增强方法。在多个真实世界数据集上的实验结果证实，MetaTra 不仅超越了其他最先进的方法，还展现出了即插即用的能力，特别是在领域泛化方面。
关键词
引用
@article{arxiv.2402.08221,
title = {MetaTra: Meta-Learning for Generalized Trajectory Prediction in Unseen Domain},
author = {Xiaohe Li and Feilong Huang and Zide Fan and Fangli Mou and Yingyan Hou and Chen Qian and Lijie Wen},
journal= {arXiv preprint arXiv:2402.08221},
year = {2024}
}