连续驾驶中的运动预测

自动驾驶中代理人的运动预测面临巨大挑战，因为每个代理人的下一个动作都有众多可能，并且在时空上存在复杂的相互作用。在实际应用中，运动预测会在自驾汽车移动的过程中反复进行和连续进行。然而，现有的预测方法通常独立处理驾驶场景中的每个场景，完全忽略了连续驾驶场景之间的情境和上下文关系。这显著简化了预测任务，使解决方案在实际中次优且效率不高。为此，我们提出了一个名为 RealMotion 的连续驾驶运动预测框架。它包含两个在场景层面的整合流：(1) 场景上下文流逐步累积历史场景信息直到当前时刻，捕捉场景元素之间的时序相互作用关系。(2) 代理人轨迹流通过顺序传递过去的预测来优化当前预测。此外，引入一种数据重新组织策略，以与现有基准和实际应用保持一致。这些方法使我们能够更广泛地利用动态运动在时空上的情境性和渐进性见解。广泛的在 Argoverse 系列数据集上进行的大量实验表明，RealMotion 实现了最先进的性能，并在实际世界推断中具有效率优势。源代码将在 https://github.com/fudan-zvg/RealMotion 上提供。