VectorNet：基于矢量化表示编码高精地图与智能体动态
计算机视觉与模式识别
2020-05-12 v1 机器学习
机器学习
摘要
在自动驾驶汽车领域，动态多智能体系统中的行为预测是一个重要问题，这归因于道路组成部分（包括移动智能体（如行人和车辆）与道路上下文信息（如车道、交通灯））的复杂表示与交互。本文提出了 VectorNet，这是一种分层图神经网络，它首先利用由矢量表示的各个道路组成部分的空间局部性，然后对所有组成部分之间的高阶交互进行建模。与大多数近期方法将移动智能体的轨迹和道路上下文信息渲染为鸟瞰图像并使用卷积神经网络（ConvNets）进行编码不同，我们的方法在矢量表示上进行操作。通过在矢化的高精（HD）地图和智能体轨迹上进行操作，我们避免了有损渲染和计算密集型的 ConvNet 编码步骤。为了进一步提升 VectorNet 学习上下文特征的能力，我们提出了一种新颖的辅助任务，即根据上下文恢复被随机掩蔽的地图实体和智能体轨迹。我们在内部的行为预测基准和最近发布的 Argoverse 预测数据集上对 VectorNet 进行了评估。我们的方法在两个基准上均取得了与有竞争力的渲染方法相当或更好的性能，同时节省了超过 70% 的模型参数，并将 FLOPs 降低了一个数量级。它还在 Argoverse 数据集上超越了现有技术。
引用
@article{arxiv.2005.04259,
title = {VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation},
author = {Jiyang Gao and Chen Sun and Hang Zhao and Yi Shen and Dragomir Anguelov and Congcong Li and Cordelia Schmid},
journal= {arXiv preprint arXiv:2005.04259},
year = {2020}
}
备注
CVPR 2020