TrACT：面向长尾轨迹预测的训练动态感知对比学习框架

作为一项安全关键任务，自动驾驶需要对道路使用者的未来轨迹进行准确预测以实现安全的运动规划，尤其是在具有挑战性的条件下。然而，许多最近的深度学习方法在具有挑战性的场景下性能下降，主要是因为这些场景在训练数据中出现的频率较低。为了解决这种长尾问题，现有方法在训练期间迫使具有挑战性的场景在特征空间中更紧密地聚集，以触发它们之间的信息共享，从而实现更稳健的学习。然而，这些方法主要依赖运动模式来表征场景，忽略了更具信息量的上下文信息，如交互和场景布局。我们认为，利用此类信息不仅能提高预测准确性，还能增强生成轨迹的场景合规性。在本文中，我们提出将更丰富的训练动态信息纳入原型对比学习框架。更具体地说，我们提出了一个两阶段过程。首先，我们使用基线编码器-解码器框架生成丰富的上下文特征。这些特征利用训练动态信息，根据模型的输出误差被划分为多个簇，并在每个簇内计算一个原型。其次，我们在对比学习框架中使用这些原型重新训练模型。我们使用两个大规模自然驾驶数据集对我们的方法进行了实证评估，结果表明，通过提高长尾样本的准确性和场景合规性，我们的方法达到了 SOTA 性能。此外，我们在簇的子集上进行了实验，以突出我们的方法在减少训练偏差方面的额外益处。