UniTraj：一个面向可扩展车辆轨迹预测的统一框架
计算机视觉与模式识别
2024-08-08 v3
摘要
车辆轨迹预测越来越依赖于数据驱动的解决方案，但它们扩展到不同数据域的能力以及更大数据集规模对其泛化性的影响仍未得到充分探索。虽然这些问题可以通过使用多个数据集来研究，但由于数据格式、地图分辨率和语义标注类型等方面的若干差异，这颇具挑战性。为了应对这些挑战，我们引入了 UniTraj，这是一个统一了各种数据集、模型和评估标准的综合框架，为车辆轨迹预测领域带来了新的机遇。特别是，我们利用 UniTraj 进行了广泛的实验，发现模型迁移到其他数据集时性能会显著下降。然而，扩大数据规模和多样性可以大幅提升性能，从而在 nuScenes 数据集上取得了新的最先进结果。我们提供了关于数据集特征的见解以解释这些发现。代码可在此处找到：https://github.com/vita-epfl/UniTraj
引用
@article{arxiv.2403.15098,
title = {UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction},
author = {Lan Feng and Mohammadhossein Bahari and Kaouther Messaoud Ben Amor and Éloi Zablocki and Matthieu Cord and Alexandre Alahi},
journal= {arXiv preprint arXiv:2403.15098},
year = {2024}
}
备注
Accepted in ECCV 2024