SVG-Net：一种基于SVG的轨迹预测模型
计算机视觉与模式识别
2021-10-13 v2 机器学习
摘要
预见场景中车辆的运动是安全自动驾驶系统的一个基本问题。为此，对场景基础设施的理解通常是预测未来轨迹的主要线索。大多数已有方法以光栅化格式表示场景，而一些较新方法利用自定义的矢量化格式。相反，我们提出使用可缩放矢量图形(SVG)来表示场景信息。SVG是一种成熟的格式，比光栅化格式更契合轨迹预测问题，同时比任意矢量化格式更具通用性。SVG若与CNN等强大工具结合，有潜力提供基于光栅方案的便利与通用性，为此我们引入了SVG-Net。SVG-Net是一种基于Transformer的神经网络，可有效从SVG输入中捕获场景信息。得益于其Transformer中的自注意力机制，SVG-Net也能充分把握场景与智能体之间的关系。我们通过在公开可用的Argoverse预测数据集上评估性能来展示SVG-Net的有效性。最后，我们说明通过使用SVG，可受益于同样利用该输入格式的其他研究前沿的数据集与进展。我们的代码见 https://vita-epfl.github.io/SVGNet/。
引用
@article{arxiv.2110.03706,
title = {SVG-Net: An SVG-based Trajectory Prediction Model},
author = {Mohammadhossein Bahari and Vahid Zehtab and Sadegh Khorasani and Sana Ayromlou and Saeed Saadatnejad and Alexandre Alahi},
journal= {arXiv preprint arXiv:2110.03706},
year = {2021}
}