基于难度引导特征增强网络的多智能体轨迹预测
机器人学
2024-12-20 v3 人工智能
摘要
轨迹预测对于自动驾驶至关重要，因为其旨在预测交通参与者的未来运动。传统方法通常对轨迹进行整体推断，忽略了不同智能体在预测难度上的差异。本文提出了一种新颖的难度引导特征增强网络（DGFNet），利用智能体之间预测难度差异进行多智能体轨迹预测。首先，我们采用时空特征编码和交互来捕获丰富的时空特征。其次，难度引导解码器控制未来轨迹进入后续模块，以获得可靠的未来轨迹。然后，通过未来特征交互模块进行特征交互和融合。最后，将融合后的智能体特征输入最终预测器，以生成多个参与者的预测轨迹分布。实验结果表明，我们的DGFNet在Argoverse 1&2运动预测基准上实现了最先进的性能。消融研究进一步验证了每个模块的有效性。而且，与SOTA方法相比，我们的方法在轨迹预测精度和实时推理速度之间取得了良好的平衡。
引用
@article{arxiv.2407.18551,
title = {Multi-Agent Trajectory Prediction with Difficulty-Guided Feature Enhancement Network},
author = {Guipeng Xin and Duanfeng Chu and Liping Lu and Zejian Deng and Yuang Lu and Xigang Wu},
journal= {arXiv preprint arXiv:2407.18551},
year = {2024}
}