StarNet：基于星图与隐式全局坐标系自注意力的联合动作空间预测
机器人学
2022-03-02 v2
摘要
在这项工作中，我们提出了一种新颖的多模态多智能体轨迹预测架构，侧重于利用图表示进行地图与交互建模。对于地图建模，我们将丰富的拓扑结构捕获为基于向量的星图，使智能体能够直接关注用于表示地图的折线上的相关区域。我们称此架构为StarNet，并将其集成到单智能体预测设定中。作为主要结果，我们将该架构扩展到联合场景级预测，可同时生成多个智能体的预测。联合StarNet的关键思想是将一个智能体在其自身参考系中的感知与其从其他智能体视角被感知的方式相整合。我们通过掩码自注意力实现这一点。两种所提架构都构建于我们先前工作引入的动作空间预测框架之上，该框架确保了运动学可行的轨迹预测。我们在交互密集的inD和INTERACTION数据集上评估了这些方法，StarNet与联合StarNet均取得了优于当前最优（SOTA）的改进。
引用
@article{arxiv.2111.13566,
title = {StarNet: Joint Action-Space Prediction with Star Graphs and Implicit Global Frame Self-Attention},
author = {Faris Janjoš and Maxim Dolgov and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2111.13566},
year = {2022}
}