PreTR：用于轨迹预测的时空非自回归 Transformer
计算机视觉与模式识别
2022-03-18 v1 机器学习
多智能体系统
摘要
如今，我们的出行系统正演进至旨在提升道路安全性的智能车辆时代。由于其脆弱性，行人将是这些发展的最大受益者。然而，预测其轨迹是最具挑战性的问题之一。事实上，准确预测需要良好理解可能较为复杂的多智能体交互。学习这些交互所引起的潜在时空模式，更是一个具有竞争性且开放的问题，许多研究者正在攻克。本文中，我们提出一种称为预测 Transformer（PReTR）的模型，其通过采用因子化时空注意力模块从多智能体场景中提取特征。与先前研究的模型相比，它以更少的计算需求取得了经验上更优的结果。此外，运动预测领域的先前工作存在暴露偏差问题，该问题由以模型预测样本而非真实样本为条件生成未来序列所导致。为超越已有方案，我们利用编码器-解码器 Transformer 网络并行解码一组习得的目标查询。该非自回归方案避免了对迭代条件的需求，并可谓降低了训练与测试的计算时间。我们在 ETH/UCY 数据集（一个公开可用的行人轨迹预测基准）上评估了我们的模型。最后，我们通过表明轨迹预测任务可更好地作为非自回归任务求解，来佐证我们对并行解码技术的使用。
引用
@article{arxiv.2203.09293,
title = {PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction Transformer},
author = {Lina Achaji and Thierno Barry and Thibault Fouqueray and Julien Moreau and Francois Aioun and Francois Charpillet},
journal= {arXiv preprint arXiv:2203.09293},
year = {2022}
}