車輛軌跡預測有效，但并非無處不在

原文鏈接

[2112.03909] Vehicle trajectory prediction works, but not everywhere (arxiv.org)

研究背景

現有預測模型無法推廣到新的場景中，由于場景生成方法改變了場景，使得訓練過程中幾乎不包含關于未來軌跡的信息，因此導致在新場景中魯棒性差

研究問題

如何有效生成有效的真實的新場景？

如何評估現有軌跡預測模型？如何證明生成場景的真實性？

能否利用生成的場景提高預測模型的魯棒性？

解決方案

對抗性自動生成逼真場景

搜索方法尋找具有挑戰性的真實駕駛場景，具體到每個軌跡預測模型

效果

使用在Argoverse公共數據集上訓練的三種最先進的軌跡預測模型（LanGCN,DATF,WIMP)，研究模型可轉移性魯棒性，LaneGCN微調后魯棒性增加，DATF，WIMP魯棒性不佳

證明物理約束是使場景可行的必要條件

LaneGCN(圖卷積網絡): Argoverse預測挑戰的首選方法之一，是一個多模態預測模型，同時還提供了各模態的概率，考慮概率最大的模態

DATF ：一種基于流量的方法，使用交叉熵損失來鼓勵產生對道路的預測。由于該多態模型不提供每一模態的概率，因此考慮最接近基本事實的概率? Diverse and admisible trajectory forecasting through multimodal context understanding.通過多模態語境理解進行多元可接受軌跡預測

WIMP：一種使用場景關注模塊和動態交互圖來捕捉幾何關系和社會關系。由于該多態模型不提供每一模態的概率，因此考慮最接近基本事實的概率 What-if motion prediction for autonomous driving.

?

熱度圖表明，模型更容易受到較大的轉換參數的影響。紅色表示在這些場景中有更多的越野預測，綠色表示更高的可接受性。通常模型在高曲率時輪流失效。例如，更劇烈的轉彎。此外，它顯示更多的越野在左轉彎比右轉彎。這可能是由于數據集中的偏差。在魯棒模型中可以看到一個明顯的改進

HOR：offroad在預測軌跡點中至少發生一次offroad的場景百分比

SOR：offroad預測點占所有預測點的百分比

算法：

算法被Kmax迭代，每次迭代中，選擇一個變換函數，然后由變換函數生成相應的場景，然后對觀測軌跡進行縮放以確保場景的可行性。接下來在新場景中預測，并用于計算loss，最佳損失決定最終生成的場景

總結

以上是生活随笔為你收集整理的CVPR2022论文速览--Vehicle trajectory prediction works, but not everywhere的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。