基于相对位姿编码的异构折线 Transformer 的实时运动预测
计算机视觉与模式识别
2023-10-20 v1 机器人学
摘要
自动驾驶系统的实际部署要求其组件在车载且实时运行，包括预测周围交通参与者未来轨迹的运动预测模块。现有的以智能体为中心的方法在公开基准上展现了卓越性能。然而，随着待预测智能体数量增加，它们面临高计算开销与差可扩展性的问题。为解决此问题，我们引入了带相对位姿编码的 K 近邻注意力（KNARPE），一种允许 Transformer 使用成对相对表示的新型注意力机制。然后，基于 KNARPE 我们提出带相对位姿编码的异构折线 Transformer（HPTR），一种在在线推理中实现异步令牌更新的分层框架。通过在智能体间共享上下文并复用未变上下文，我们的方法效率可与以场景为中心的方法媲美，同时性能与最先进的以智能体为中心方法相当。在 Waymo 和 Argoverse-2 数据集上的实验表明，HPTR 在不使用昂贵后处理或模型集成的端到端方法中取得了优越性能。代码见 https://github.com/zhejz/HPTR。
引用
@article{arxiv.2310.12970,
title = {Real-Time Motion Prediction via Heterogeneous Polyline Transformer with Relative Pose Encoding},
author = {Zhejun Zhang and Alexander Liniger and Christos Sakaridis and Fisher Yu and Luc Van Gool},
journal= {arXiv preprint arXiv:2310.12970},
year = {2023}
}
备注
Accepted by NeurIPS 2023