TPNet：用于运动预测的轨迹提议网络
计算机视觉与模式识别
2021-02-09 v2
摘要
对行人、车辆与骑行者等周围交通智能体做出准确的运动预测，对自动驾驶至关重要。近期数据驱动的运动预测方法试图从海量轨迹数据中学习直接回归精确未来位置或其分布。然而，这些方法仍难以提供多模态预测，也难以融入交通规则与可移动区域等物理约束。本文提出一种新颖的两阶段运动预测框架——轨迹提议网络（TPNet）。TPNet 首先生成一组未来轨迹候选作为假设提议，然后通过分类与精炼满足物理约束的提议做出最终预测。通过引导提议生成过程，实现了安全且多模态的预测。因此该框架有效降低了运动预测问题的复杂度，同时保证了多模态输出。在 ETH、UCY、Apollo 与 Argoverse 四个大规模轨迹预测数据集上的实验表明，TPNet 在定量与定性上均取得了 SOTA 结果。
引用
@article{arxiv.2004.12255,
title = {TPNet: Trajectory Proposal Network for Motion Prediction},
author = {Liangji Fang and Qinhong Jiang and Jianping Shi and Bolei Zhou},
journal= {arXiv preprint arXiv:2004.12255},
year = {2021}
}