揭示未来交通参与者预测中具挑战性的长尾分布
计算机视觉与模式识别
2022-01-19 v3
摘要
将动态交通参与者的状态预测到未来，对于自动驾驶系统安全高效地运行十分重要。值得注意的是，最关键场景出现的频率远低于非关键场景且更为复杂。因此，非关键案例在预测中占主导地位。本文专门针对数据集分布长尾中具挑战性的场景。我们的分析表明，常见损失倾向于将挑战性案例次优地置于嵌入空间中。因此，我们提出在通常损失之外补充一种将挑战性案例彼此拉近的损失。这促使挑战性案例之间共享信息并学习特定的预测特征。我们在四个公开数据集上表明，这能在挑战性场景上提升性能，同时整体性能保持稳定。该方法对所用网络架构、输入模态或视角无关，并可轻松集成到现有方案中。代码见 https://github.com/lmb-freiburg/Contrastive-Future-Trajectory-Prediction
引用
@article{arxiv.2103.12474,
title = {On Exposing the Challenging Long Tail in Future Prediction of Traffic Actors},
author = {Osama Makansi and Özgün Cicek and Yassine Marrakchi and Thomas Brox},
journal= {arXiv preprint arXiv:2103.12474},
year = {2022}
}