动态环境中基于条件变分自编码器的随机轨迹多模态预测
人工智能
2021-03-09 v1 机器学习
摘要
预测附近车辆的短期运动是一项固有的挑战性难题，因为其可能未来运动空间并不严格局限于一组单一轨迹。近期提出且展示出合理结果的技术主要集中于预测固定数量的确定性预测，或对先前使用例如动力学模型生成的多种轨迹进行分类。本文致力于利用生成模型的随机性来应对该任务相关的不确定性，从而针对被跟踪车辆产生一组多样化的合理路径。更具体地，我们提出利用以智能体过去运动以及由胶囊网络（CapsNet）编码的栅格化场景上下文为条件的条件变分自编码器（C-VAE）来考虑问题的多模态性。此外，我们展示了采用最小过N（MoN）代价函数的优势，该函数度量真实值与N个生成样本之间的距离，并试图针对最接近的样本最小化损失，从而有效地导致更多样化的预测。我们在公开数据集上对照近期最先进的方法检验了我们的网络，并表明我们的方法在众多场景中优于这些技术，同时显著减少了可训练参数的数量，并允许采样任意数量的多样化轨迹。
引用
@article{arxiv.2103.03912,
title = {Multi-modal anticipation of stochastic trajectories in a dynamic environment with Conditional Variational Autoencoders},
author = {Albert Dulian and John C. Murray},
journal= {arXiv preprint arXiv:2103.03912},
year = {2021}
}