基于模型风险最小化的运动预测

预测周围智能体的未来轨迹对于自动驾驶车辆确保安全、高效且舒适的路线规划至关重要。尽管模型集成在各个领域提高了预测准确性，但由于预测的多模态特性，其在轨迹预测中的应用受到限制。在本文中，我们提出了一种基于多模型预测的、适用于轨迹预测的新型采样方法。我们首先表明，由于模型之间缺乏对齐，基于预测概率的传统采样可能会降低性能。为了解决这个问题，我们引入了一种新方法，从一组神经网络中生成最优轨迹，将其构建为具有可变损失函数的风险最小化问题。通过使用 SOTA 模型作为基础学习器，我们的方法构建了多样化且有效的集成，以进行最优轨迹采样。在 nuScenes 预测数据集上的大量实验表明，我们的方法超越了当前的 SOTA 技术，在排行榜上名列前茅。我们还对集成策略进行了全面的实证研究，提供了关于其有效性的见解。我们的发现突出了高级集成技术在轨迹预测中的潜力，显著提高了预测性能，并为更可靠的预测轨迹铺平了道路。