基于网格规划条件的未知环境中的轨迹预测
计算机视觉与模式识别
2021-04-30 v2 机器人学
摘要
我们解决在未知环境中基于行人及车辆过去运动与场景结构预测其轨迹的问题。轨迹预测因场景结构的大幅变化及未来轨迹的多模态分布而具挑战性。不同于以往直接从观测上下文到多个未来轨迹学习一对多映射的方法,我们提出将轨迹预测条件化于从基于网格的策略中采样的规划,该策略使用最大熵逆强化学习 (MaxEnt IRL) 学习。我们重构 MaxEnt IRL,使策略能在定义于场景上的粗粒度二维网格上联合推断合理的智能体目标及通往这些目标的路径。我们提出一种基于注意力的轨迹生成器,其基于从 MaxEnt 策略采样的状态序列生成连续值未来轨迹。在公开可用的 Stanford drone 与 NuScenes 数据集上的定量与定性评估表明,我们的模型生成的轨迹具有多样性,代表了多模态预测分布,且精确,在长预测时域内符合底层场景结构。
引用
@article{arxiv.2001.00735,
title = {Trajectory Forecasts in Unknown Environments Conditioned on Grid-Based Plans},
author = {Nachiket Deo and Mohan M. Trivedi},
journal= {arXiv preprint arXiv:2001.00735},
year = {2021}
}