RMP-YOLO：面向部分可观测场景的鲁棒运动预测器即便只看一次
机器人学
2025-06-23 v2
摘要
我们提出 RMP-YOLO，一个统一框架，旨在即使输入数据不完整也能提供稳健的运动预测。我们的关键洞察源于观察：完整可靠的历史轨迹数据在确保准确运动预测中起到关键作用。因此，我们提出了一种新范式，优先在将其输入预测模块之前重建完整的历史轨迹。我们的方法引入了一种新型场景标记化模块，以增强空间和时间特征的提取与融合。随后，我们提出的恢复模块利用局部地图拓扑和与相邻智能体的相互作用来恢复代理的不完整历史轨迹。经复原的干净历史数据随后被集成到下游预测模块中。该框架能够有效处理长度不同的缺失数据，并在观测噪声下保持高预测准确性。此外，我们的恢复模块与现有预测模型兼容，确保无缝集成。大量实验验证了我们方法的有效性，实际部署于真实自动驾驶车辆中也证明了其实用性。在 2024 年 Waymo 运动预测竞赛中，我们的方法 RMP-YOLO 实现了最先进的性能，获得了第三名成绩。
引用
@article{arxiv.2409.11696,
title = {RMP-YOLO: A Robust Motion Predictor for Partially Observable Scenarios even if You Only Look Once},
author = {Jiawei Sun and Jiahui Li and Tingchen Liu and Chengran Yuan and Shuo Sun and Zefan Huang and Anthony Wong and Keng Peng Tee and Marcelo H. Ang},
journal= {arXiv preprint arXiv:2409.11696},
year = {2025}
}