面向不完整轨迹预测的多尺度 Transformer
计算机视觉与模式识别
2024-07-09 v1 人工智能
摘要
运动预测在自动驾驶系统中占据重要位置，使车辆能够基于周围车辆的预测结果执行碰撞警报和合理的局部路径规划。然而，常见的方法往往假设观察到的轨迹是完整的，忽略了由于目标遮挡、范围限制和传感器故障导致的缺失值可能产生的影响。这种疏忽不可避免地损害了轨迹预测的准确性。为此，我们提出一种端到端框架，称为多尺度 Transformer（MSTF），专为不完整轨迹预测而精心设计。MSTF 集成了多尺度注意力头（MAH）和基于信息增量的模式自适应模块（IIPA）。具体而言，MAH 组件从多个时间粒度上并行捕获轨迹序列的多尺度运动表示，利用多头注意力机制实现。该方法促进了跨不同尺度的运动全局依赖关系的建模，从而减轻缺失值造成的负面影响。此外，IIPA 模块通过分析数据中的缺失模式，自适应地提取时间步骤之间运动连续性的表示。连续性表示在更高层次上描绘了运动趋势，指导 MSTF 生成与运动连续性一致的预测。我们使用两个大规模真实世界数据集评估了所提出的 MSTF 模型。实验结果表明，MSTF 在不完整轨迹预测任务中超越了当前最先进（SOTA）模型，展示了其在自动驾驶系统中处理运动预测中处理缺失值挑战的有效性。
关键词
引用
@article{arxiv.2407.05671,
title = {MSTF: Multiscale Transformer for Incomplete Trajectory Prediction},
author = {Zhanwen Liu and Chao Li and Nan Yang and Yang Wang and Jiaqi Ma and Guangliang Cheng and Xiangmo Zhao},
journal= {arXiv preprint arXiv:2407.05671},
year = {2024}
}