用于自动驾驶车辆的概率多模态轨迹预测与车道注意力
机器人学
2020-07-07 v1 计算机视觉与模式识别
摘要
轨迹预测对自动驾驶车辆至关重要。规划系统不仅需知晓周围物体的当前状态，还需知晓其未来可能的状态。对于车辆而言，其轨迹受车道几何的显著影响，如何有效利用车道信息正受到广泛关注。现有多数工作使用栅格化地图探索道路信息，未能区分不同车道。本文提出一种新颖的实例感知车道表示。通过融合车道特征与轨迹特征，提出一个目标导向的车道注意力模块以预测车辆的未来位置。我们展示了所提车道表示与车道注意力模块可集成入广泛使用的编码器-解码器框架以生成多样化预测。最重要的是，每条生成的轨迹都关联一个概率以处理不确定性。我们的方法不会退化为单一行为模态，且能覆盖多种可能性。在基准数据集上的大量实验与消融研究证实了所提方法的有效性。值得注意的是，我们的方法在 NeurIPS 2019 的 Argoverse 运动预测竞赛中排名第三。
引用
@article{arxiv.2007.02574,
title = {Probabilistic Multi-modal Trajectory Prediction with Lane Attention for Autonomous Vehicles},
author = {Chenxu Luo and Lin Sun and Dariush Dabiri and Alan Yuille},
journal= {arXiv preprint arXiv:2007.02574},
year = {2020}
}
备注
IROS 2020. 3rd place solution for the Argoverse motion forecasting challenge at NeurIPS 2019. A variation of the method also won the 1st place in the Nuscenes prediction challenge 2020