TOFG：自动驾驶中一种统一且细粒度的环境表示
机器人学
2023-06-01 v1 机器学习
摘要
在自动驾驶中，对环境的准确理解（如车-车与车-车道交互）在许多驾驶任务（如轨迹预测与运动规划）中起着关键作用。环境信息来自高精（HD）地图与车辆历史轨迹。由于地图数据与轨迹数据的异质性，许多用于轨迹预测与运动规划的数据驱动模型以分离且顺序的方式提取车-车与车-车道交互。然而，这种方式可能捕获有偏的交互解释，导致较低的预测与规划精度。此外，分离提取导致模型结构复杂，从而牺牲了整体效率与可扩展性。为解决上述问题，我们提出一种环境表示——时间占据流图（TOFG）。具体而言，基于占据流的表示将地图信息与车辆轨迹统一为同质数据格式，并实现一致的预测。车辆间的时间依赖可帮助及时捕获占据流的变化，以进一步提升模型性能。为证明 TOFG 能够简化模型架构，我们将 TOFG 与一个简单的基于图注意力（GAT）的神经网络结合，提出 TOFG-GAT，可用于轨迹预测与运动规划。实验结果表明，TOFG-GAT 以更短训练时间取得了优于或媲美所有 SOTA 基线的表现。
引用
@article{arxiv.2305.20068,
title = {TOFG: A Unified and Fine-Grained Environment Representation in Autonomous Driving},
author = {Zihao Wen and Yifan Zhang and Xinhong Chen and Jianping Wang},
journal= {arXiv preprint arXiv:2305.20068},
year = {2023}
}
备注
Accepted by ICRA 2023