用于轨迹预测的逐步目标驱动网络
计算机视觉与模式识别
2022-03-29 v3
摘要
我们提出通过估计并利用被观测智能体（例如行人和车辆）在多时间尺度上的目标来预测其未来轨迹。我们认为运动智能体的目标可能随时间改变，且连续地对目标建模可为未来轨迹估计提供更准确且更详细的信息。为此，我们提出一种用于轨迹预测的循环网络，称为逐步目标驱动网络（SGNet）。与先前仅建模单一长期目标的工作不同，SGNet 估计并利用多时间尺度的目标。具体而言，它包含一个捕获历史信息的编码器、一个将连续目标预测至未来的逐步目标估计器，以及一个预测未来轨迹的解码器。我们在三个第一人称交通数据集（HEV-I、JAAD 和 PIE）以及三个鸟瞰图数据集（NuScenes、ETH 和 UCY）上评估了我们的模型，并表明我们的模型在所有数据集上均取得了最先进（SOTA）结果。代码已公开于：https://github.com/ChuhuaW/SGNet.pytorch。
引用
@article{arxiv.2103.14107,
title = {Stepwise Goal-Driven Networks for Trajectory Prediction},
author = {Chuhua Wang and Yuchen Wang and Mingze Xu and David J. Crandall},
journal= {arXiv preprint arXiv:2103.14107},
year = {2022}
}
备注
Accepted By RA-L and ICRA2022