OFMPNet：面向城市环境占用与流预测的深度端到端模型
计算机视觉与模式识别
2024-04-04 v1 人工智能
机器人学
摘要
运动预测任务对于自动驾驶系统至关重要，可为在其周围环境中选择车辆行为策略提供关键数据。现有的运动预测技术主要侧重于利用过去的轨迹数据单独预测场景中每个智能体未来的轨迹。在本文中，我们引入了一种端到端神经网络方法，旨在预测环境中所有动态对象的未来行为。该方法利用了占用地图和场景的运动流。我们研究了构建名为 OFMPNet 的深度编码器-解码器模型的各种替代方案。该模型使用鸟瞰道路图像序列、占用栅格和先验运动流作为输入数据。该模型的编码器可以结合 Transformer、基于注意力或卷积的单元。解码器则考虑使用卷积模块和循环块。此外，我们提出了一种新颖的时间加权运动流损失，其应用显示出端点误差的显著降低。我们的方法在 Waymo 占用与流预测基准上取得了 SOTA 结果，Soft IoU 为 52.1%，Flow-Grounded Occupancy 的 AUC 为 76.75%。
引用
@article{arxiv.2404.02263,
title = {OFMPNet: Deep End-to-End Model for Occupancy and Flow Prediction in Urban Environment},
author = {Youshaa Murhij and Dmitry Yudin},
journal= {arXiv preprint arXiv:2404.02263},
year = {2024}
}
备注
Accepted in Neurocomputing journal - 2024