基于可解释长期路径点的轨迹预测模型

点击下方卡片，关注“自动驾驶专栏”公众号

自动驾驶干货 ，即可获取

• 论文链接： https://arxiv.org/pdf/2312.06219.pdf

摘要

本文介绍了基于可解释长期路径点的轨迹预测模型。预测复杂环境中动态智能体的未来轨迹对各种应用是至关重要的，包括自动驾驶、机器人和人机交互。这是一项具有挑战性的任务，因为智能体的行为是未知的，并且本质上是多模态的。我们的关键见解是，智能体行为不仅受到其过去轨迹及其与附近环境交互的影响，还在很大程度上受到长期路径点（LTW）的影响。在本文中，我们研究了增加长期目标对轨迹预测框架性能的影响。本文提出了一个可解释的长期路径点驱动的预测框架（WayDCM）。WayDCM首先通过使用离散选择模型（DCM）和神经网络模型（NN）的组合对智能体与环境的交互及其LTW进行编码来预测智能体的中间目标（IG）。然后，本文模型预测相应的轨迹。这与先前的工作不同，先前的工作没有考虑智能体预测其轨迹的最终意图。我们在Waymo Open数据集上评估并且证明本文方法的有效性。

主要贡献

本文的主要贡献总结如下：

1）本文引入了一种可解释的基于DCM的模型，其包括智能体的长期路径点，用于轨迹预测；

2）本文研究了加入这些信息对预测轨迹的影响；

3）本文在Waymo Open数据集上实现并且评估了本文方法。本文的目标是开启关于在运动预测数据集中增加智能体的长期路径点的讨论，并且提出了首个考虑这种新信息的方法。

论文图片和表格

总结

本文的主要目标不是提出一个优于最先进模型的模型，而是提出一个解决轨迹预测问题的新方法。我们表明，使用长期路径点能够有助于提高预测性能。我们认为，长期路径点应该包含在运动预测数据集中，因为它们是模型的重要输入线索。事实上，智能体倾向于向它们靠拢。例如，如果由GPS给出，则可以在预测智能体的未来轨迹之前掌握这些路径点的位置。

本文提出了首个通过DCM包含这些信息的简单方法。然而，我们希望本文能够鼓励研究者考虑轨迹预测任务的长期路径点。

对于未来的工作，我们计划尝试并且比较其它的方式，以使用不同的数据集来包含这些信息。

点击下方卡片，关注“自动驾驶专栏”公众号

自动驾驶干货 ，即可获取

【自动驾驶专栏论文速递】是自动驾驶专栏推出的板块，争取每日更新！旨在引领自动驾驶领域相关人员快速了解行业最新技术，对于具有代表性的研究成果，也会进行详细解读！请大家多多支持！蟹蟹~