GANet:Goal Area Network for Motion Forecasting
这项工作发布于2023年的ICRA,是来自于北京大学的工作。
Abstract
对交通参与者的未来运动进行预测对自动驾驶系统来说十分重要,但同时这也是一项非常具有挑战性的任务,因为交通参与者的未来运动因为各方面的因素而具有大量的不确定性。
近期,大多数运动预测方法使用基于目标的策略(即对代理未来运动轨迹的终点进行预测)来对整条轨迹进行回归,从而缩小轨迹预测的解空间。然而,准确的代理未来运动目标是难以预测和评估的。此外,以点坐标进行表示的轨迹终点限制了丰富道路上下文信息的使用,使得模型给出不准确的预测结果。
目标区域,指的是代理未来轨迹终点可能的所在区域,是一种比目标点坐标更弱的约束,它根据包容性和引导性,可以在更广的范围内对代理未来可能的轨迹进行搜索。
受上述想法的启发,本文提出了一种新颖的基于目标区域的运动预测框架,称为目标区域网路(Goal Area Network,GANet),它将目标区域作为轨迹预测的条件,来进行更加鲁棒和准确的轨迹预测。
具体来说,本文方法提出了一种GoICrop(Goal Area of Interest)算子,来高效地对目标区域当中道路的语义特征进行建模,并对代理的未来交互进行建模和反馈,这对未来轨迹预测而言是有益的。
GANet在Argoverse Motion Forecasting v1.1数据集上取得了SOTA水准的结果。其代码是开源的,详情可见原文相应链接。
【与近期阅读的LAformer (CVPR 2024) 类似,GANet同样是一种更加关注于高精地图上下文信息使用的方法,GANet开创性地将地图信息与轨迹终点相结合,提出了目标区域,并使用目标区域当中的地图信息来对轨迹预测进行约束,从而提升轨迹预测的性能】
Conclusion
本文提出了GANet,它是一种用于运动预测的新颖的框架。GANet会对代理未来运动终点可能的所在区域进行预测,并以该区域作为条件辅助模型对轨迹进行预测。
作者设计了一种GoICrop算子,来对目标区域当中的车道语义信息进行特征提取。它隐式地以数据驱动的方式对目标区域当中的代理未来轨迹交互、代理未来轨迹与地图信息的交互以及地图信息进行建模。
在Argoverse Motion Forecasting v1.1数据集上的实验结果验证了本文方法的有效性。