基于社交卷积与注意力机制的交通智能体轨迹预测
机器学习
2020-07-08 v1 人工智能
计算机视觉与模式识别
摘要
轨迹预测对于自动驾驶车辆的决策具有重要意义。本文提出一种模型，用于预测自动驾驶车辆周围目标智能体的轨迹。我们方法的主要思想是考虑目标智能体的历史轨迹以及周围智能体对目标智能体的影响。为此，我们将目标智能体的历史轨迹编码为注意力掩码，并构建社交地图以编码目标智能体与其周围智能体之间的交互关系。给定轨迹序列，首先利用LSTM网络提取所有智能体的特征，并基于此形成注意力掩码和社交地图。然后，将注意力掩码与社交地图融合得到融合特征图，经社交卷积处理获得融合特征表示。最后，将该融合特征作为变长LSTM的输入以预测目标智能体的轨迹。我们注意到，变长LSTM使我们的模型能够处理交通场景中感知范围内智能体数量高度动态的情况。为验证方法的有效性，我们在公开数据集上与多种方法进行了广泛对比，实现了20%的误差下降。此外，该模型以32 fps满足实时性要求。
引用
@article{arxiv.2007.02515,
title = {Traffic Agent Trajectory Prediction Using Social Convolution and Attention Mechanism},
author = {Tao Yang and Zhixiong Nan and He Zhang and Shitao Chen and Nanning Zheng},
journal= {arXiv preprint arXiv:2007.02515},
year = {2020}
}