MultiXNet：基于多类别多阶段多模态的运动预测
计算机视觉与模式识别
2021-05-25 v4 机器学习
图像与视频处理
摘要
自动驾驶难题的关键一环是理解自动驾驶车辆（SDV）的周边环境并预测这些环境在不久的将来如何变化。针对该任务，我们提出了 MultiXNet，一种直接基于激光雷达（lidar）传感器数据进行检测与运动预测的端到端方法。该方法在先前工作的基础上，处理了多类交通参与者，增加了联合训练的第二阶段轨迹细化步骤，并产生了对未来参与者运动的多模态概率分布，其中包含多种离散交通行为以及经过标定的连续位置不确定性。该方法在由多城市 SDV 车队采集的大规模真实世界数据上进行了评估，结果表明其优于现有的最先进（state-of-the-art, SOTA）方法。
引用
@article{arxiv.2006.02000,
title = {MultiXNet: Multiclass Multistage Multimodal Motion Prediction},
author = {Nemanja Djuric and Henggang Cui and Zhaoen Su and Shangxuan Wu and Huahua Wang and Fang-Chieh Chou and Luisa San Martin and Song Feng and Rui Hu and Yang Xu and Alyssa Dayan and Sidney Zhang and Brian C. Becker and Gregory P. Meyer and Carlos Vallespi-Gonzalez and Carl K. Wellington},
journal= {arXiv preprint arXiv:2006.02000},
year = {2021}
}
备注
Accepted for publication at IEEE Intelligent Vehicles Symposium (IV) 2021