基于双层表示学习与自适应提示的泛化轨迹预测
计算机视觉与模式识别
2025-01-10 v1
摘要
现有的车辆轨迹预测模型在泛化性、预测不确定性以及处理复杂交互方面存在困难。这通常是由于为特定数据集定制的复杂架构以及低效的多模态处理等局限性所致。我们提出了带有寄存器查询的 Perceiver（PerReg+），这是一种新颖的轨迹预测框架，它引入了：（1）通过自蒸馏（SD）和掩码重构（MR）进行的双层表示学习，以捕获全局上下文和细粒度细节。此外，我们通过在带有查询丢弃的掩码输入中重构段级轨迹和车道段的方法，能够有效利用上下文信息并提升泛化能力；（2）使用基于寄存器的查询和预训练的增强多模态，消除了对聚类和抑制操作的需求；（3）在微调期间的自适应提示调优，冻结主架构并优化少量提示以实现高效适配。PerReg+ 在 nuScenes [1]、Argoverse 2 [2] 和 Waymo Open Motion Dataset (WOMD) [3] 上取得了新的最先进性能。值得注意的是，我们的预训练模型在较小数据集上将误差降低了 6.8%，并且多数据集训练增强了泛化能力。在跨域测试中，与其非预训练变体相比，PerReg+ 将 B-FDE 降低了 11.8%。
引用
@article{arxiv.2501.04815,
title = {Towards Generalizable Trajectory Prediction Using Dual-Level Representation Learning And Adaptive Prompting},
author = {Kaouther Messaoud and Matthieu Cord and Alexandre Alahi},
journal= {arXiv preprint arXiv:2501.04815},
year = {2025}
}