PRANK:基于排序的运动预测
机器学习
2021-06-16 v2
摘要
预测行人或人工驾驶车辆等智能体的运动是自动驾驶领域最关键的问题之一。驾驶的整体安全性与乘客的舒适性直接取决于该问题的成功解决。运动预测问题也仍是自动驾驶工程中最具挑战性的问题之一,主要由于在给定情境下智能体未来行为的高方差。导致所述方差的两种现象是由智能体意图不确定性(例如右转或直行)引起的多模态性,以及给定意图实现中的不确定性(例如转入哪条车道)。为了在实时自动驾驶流水线中有用,运动预测系统必须提供描述和量化该不确定性的高效方法,例如计算后验模态及其概率或估计对应于给定轨迹点的密度。它也不应在物理上不可能的轨迹上赋予显著密度,因为它们会混淆处理预测的系统。本文中,我们引入满足这些要求的PRANK方法。PRANK以智能体周围环境的栅格化鸟瞰图像作为输入,并用卷积神经网络提取场景特征。然后它生成给定场景中合理的智能体轨迹的条件分布。PRANK的关键贡献是一种利用潜轨迹空间中的最近邻方法表示该分布的方式,其允许实时高效推断。我们在内部和Argoverse数据集上评估PRANK,其展示了具有竞争力的结果。
引用
@article{arxiv.2010.12007,
title = {PRANK: motion Prediction based on RANKing},
author = {Yuriy Biktairov and Maxim Stebelev and Irina Rudenko and Oleh Shliazhko and Boris Yangel},
journal= {arXiv preprint arXiv:2010.12007},
year = {2021}
}
备注
Accepted to NeurIPS 2020