SafeCritic：考虑碰撞的轨迹预测
机器学习
2019-10-16 v1 计算机视觉与模式识别
机器学习
摘要
在复杂城市环境中安全导航是实现完全自主系统的关键。因此，预测行人、骑行者等弱势道路使用者未来位置近年来备受关注。尽管已有工作致力于建模与静态（障碍物）和动态（行人）环境智能体的交互，我们解决了轨迹预测中的一个重要空白。我们提出 SafeCritic，一种协同生成对抗网络以生成多个“真实”轨迹与强化学习以生成“安全”轨迹的模型。判别器根据生成候选是否与观测输入一致进行评估。评论家网络具备环境感知能力，以剪除发生碰撞或违背环境的轨迹。自编码损失稳定训练并防止模式崩溃。我们在两个大规模数据集上展示了相较最先进方法显著提升的结果。我们还表明评论家能够分类轨迹的安全性。
引用
@article{arxiv.1910.06673,
title = {SafeCritic: Collision-Aware Trajectory Prediction},
author = {Tessa van der Heiden and Naveen Shankar Nagaraja and Christian Weiss and Efstratios Gavves},
journal= {arXiv preprint arXiv:1910.06673},
year = {2019}
}
备注
To Appear as workshop paper for the British Machine Vision Conference (BMVC) 2019