【Motion Forecasting】【摘要阅读】PBP: Path-based Trajectory Prediction for Autonomous Driving

PBP: Path-based Trajectory Prediction for Autonomous Driving

这项工作发布于2024年的ICRA，作者来自Motional。

Abstract

轨迹预测在自动驾驶系统中起到了关键的作用，它使得自动驾驶汽车可以对周围代理的未来运动有所感知。

基于目标的运动预测模型在近年来得到了研究者们的广泛关注，它能够解决代理未来轨迹的多模态问题。基于目标的预测模型对多模态轨迹预测进行了简化，首先它会对代理未来轨迹终点的2D坐标进行预测，之后会以目标为条件对整条轨迹进行补全。

然而，一个单一的2D目标坐标对于整个运动框架而言具有较弱的归纳偏置，通常会导致较差的地图一致性，即：轨迹的一部分会驶离道路或是打破交通规则。

在这项工作中，作者对基于目标的轨迹预测进行了改进，并提出了一种基于道路的轨迹预测（Path-Based Prediction，PBP）方法。PBP会在高精地图当中使用道路特征对参考道路的离散概率分布进行预测，并在与道路相关的Frenet标架（Frenet Frame）当中对轨迹进行预测。


作者将PBP轨迹解码器与HiVT的场景编码器相结合，并在Argoverse Motion Forecasting v1.1数据集上开展了实验。实验结果表明，本文提出的PBP在常用的轨迹预测指标上达到了不错的效果，而在与地图一致性相关的指标DAC上达到了比SOTA方法更好的效果。

Contributions

• 本文提出了一种新颖的基于道路的轨迹预测方法，它是对过去的基于目标的轨迹预测方法进行的改进；
• 本文方法将PBP轨迹解码器与HiVT当中的场景编码器相结合。所得到的结果在Argoverse Motion Forecasting v1.1数据集的地图一致性指标DAC上达到了最好的结果；
• 本文方法开展了大量的在Argoverse Motion Forecasting v1.1数据集上不同轨迹解码器的消融实验。

Conclusion

在这项工作中，作者提出了PBP，它是一种新颖的基于道路的预测方法。与传统的基于目标的预测方法相比，PBP会在整条参考道路上进行分类，而非仅仅在目标终点处进行分类。

额外的参考道路信息会改进道路的分类精度，并使得PBP可以在与道路相关的Frenet标架当中对轨迹进行解码。

评估结果表明，基于道路的轨迹预测方法使得轨迹预测相较于传统的多模态回归或是基于目标的预测方法而言更具地图一致性（map compliance），并且基于道路的预测方法的精度与上述方法相似或是更好。