TNT：目标驱动的轨迹预测
计算机视觉与模式识别
2020-08-24 v2 机器人学
摘要
预测运动智能体的未来行为对真实世界应用至关重要。由于智能体的意图及相应行为未知且本质上具有多模态，该任务颇具挑战。我们的核心见解是：在中等时间范围内的预测中，未来模态可由一组目标状态有效刻画。这引出了我们的目标驱动轨迹预测（TNT）框架。TNT包含三个阶段，以端到端方式训练。它首先通过编码智能体与环境及其他智能体的交互，预测该智能体未来 步的潜在目标状态。随后，TNT基于目标生成条件轨迹状态序列。最后阶段估计轨迹似然，并选出一组最终的紧凑轨迹预测。这与先前将智能体意图建模为潜变量、并依赖测试时采样来生成多样轨迹的工作形成对比。我们在车辆与行人的轨迹预测上评测TNT，在Argoverse Forecasting、INTERACTION、Stanford Drone以及内部行人-路口数据集上均优于最先进水平（SOTA）。
引用
@article{arxiv.2008.08294,
title = {TNT: Target-driveN Trajectory Prediction},
author = {Hang Zhao and Jiyang Gao and Tian Lan and Chen Sun and Benjamin Sapp and Balakrishnan Varadarajan and Yue Shen and Yi Shen and Yuning Chai and Cordelia Schmid and Congcong Li and Dragomir Anguelov},
journal= {arXiv preprint arXiv:2008.08294},
year = {2020}
}