SmartRefine: 一种用于高效运动预测的场景自适应细化框架

预测周围智能体的未来运动对于自动驾驶车辆 (AVs) 在动态、人机混合环境中安全运行至关重要。上下文信息，如道路地图和周围智能体状态，为运动行为预测提供了关键的几何和语义信息。为此，近期工作探索了两阶段预测框架：首先提出粗略轨迹，然后利用这些轨迹选择关键上下文信息进行轨迹细化。然而，这些方法要么带来大量计算开销，要么提升有限，甚至两者兼有。本文中，我们引入一种新颖的场景自适应细化策略，名为 SmartRefine，以最小的额外计算量细化预测。具体而言，SmartRefine 能根据每个场景的属性全面自适应细化配置，并通过引入一个质量分数来衡量每个场景的预测质量和剩余细化潜力，从而智能地选择细化迭代次数。SmartRefine 被设计为一种通用且灵活的方法，可无缝集成到大多数最先进的运动预测模型中。在 Argoverse (1 和 2) 上的实验表明，我们的方法持续提升了多个最先进预测模型的预测精度。具体而言，通过将 SmartRefine 添加到 QCNet，我们在提交时于 Argoverse 2 排行榜（单智能体赛道）上超越了所有已发表的非集成工作。我们还进行了全面的研究，以消融设计选择并探索多迭代细化背后的机制。代码可在 https://github.com/opendilab/SmartRefine/ 获取。