具有全局意图定位与局部运动精炼的 Motion Transformer
计算机视觉与模式识别
2023-03-21 v2
摘要
预测交通参与者的多模态未来行为对于机器人车辆做出安全决策至关重要。现有工作探索基于潜在特征直接预测未来轨迹，或利用密集目标候选点来识别智能体的目的地，其中前者策略由于所有运动模式均从同一特征派生而收敛缓慢，后者策略则因其性能高度依赖于目标候选点的密度而存在效率问题。本文提出 Motion TRansformer (MTR) 框架，将运动预测建模为全局意图定位与局部运动精炼的联合优化。MTR 不使用目标候选点，而是通过采用一小组可学习的运动查询对来引入空间意图先验。每个运动查询对负责特定运动模式的轨迹预测与精炼，从而稳定训练过程并促进更好的多模态预测。实验表明，MTR 在边缘与联合运动预测挑战赛上均达到最先进的性能，在 Waymo Open Motion Dataset 的排行榜上排名第一。源代码见 https://github.com/sshaoshuai/MTR。
引用
@article{arxiv.2209.13508,
title = {Motion Transformer with Global Intention Localization and Local Movement Refinement},
author = {Shaoshuai Shi and Li Jiang and Dengxin Dai and Bernt Schiele},
journal= {arXiv preprint arXiv:2209.13508},
year = {2023}
}
备注
Accepted by NeurIPS 2022 as Oral Presentation