用于崩溃场景长尾轨迹预测的风险导向扩散变换器
机器学习
2025-05-29 v2 人工智能
摘要
轨迹预测方法已广泛应用于自动驾驶技术中。尽管轨迹预测的整体性能准确率较高，但由于训练数据中关键场景的轨迹数据稀缺，导致长尾现象。通常，尾部数据 的轨迹更为关键且难以预测，可能包括如崩溃等罕见场景。为解决此问题，我们提取了来自真实世界崩溃场景的轨迹数据，其中包含更多长尾数据。同时，基于该场景的轨迹数据，我们集成了基于图的风险信息和扩散模型，提出了风险导向扩散变换器（RI-DiT）轨迹预测方法。对真实世界崩溃场景中的轨迹数据进行了广泛实验，结果表明我们提出的方法性能良好。在预测尾部 10%（Top 10%）的数据时，minADE 和 minFDE 指标分别为 0.016/2.667 m。同时，我们展示了不同长尾分布的轨迹条件。轨迹数据分布越接近尾部，轨迹就越不平滑。在真实世界崩溃场景的轨迹数据方面，我们的工作扩展了应对轨迹预测中长尾挑战的方法。我们的方法 RI-DiT 集成了碰撞时间倒数（ITTC）和交通流特征，可更准确地预测长尾轨迹，提高自动驾驶系统的安全性。
引用
@article{arxiv.2501.16349,
title = {Risk-Informed Diffusion Transformer for Long-Tail Trajectory Prediction in the Crash Scenario},
author = {Junlan Chen and Pei Liu and Zihao Zhang and Hongyi Zhao and Yufei Ji and Ziyuan Pu},
journal= {arXiv preprint arXiv:2501.16349},
year = {2025}
}