Goal-LBP: Goal-Based Local Behavior Guided Trajectory Prediction for Autonomous Driving
这项工作在2023年发布于IEEE Transactions on Intelligent Transportation Systems。
Abstract
近期,自动驾驶运动预测当中的模型设计得到了研究人员的广泛关注。然而,这项任务极具挑战性,因为模型很难对驾驶人员的意图进行预测,并且很难对多模态的未来轨迹进行建模。
作者观察到,某个位置的历史路径可以帮助模型在当前位置对未来轨迹进行预测,从而解决上述的约束(Historical paths at a certain location can help predict the future trajectory of an agent currently located in that position and address these limitations)。
在这项工作中,作者提出了一种基于目标的局部行为引导模型,称为Goal-LBP,它使用局部行为数据来生成代理未来运动潜在的目标,并根据目标引导模型对代理的未来轨迹进行预测。
Goal-LBP使用Transformer encoders来对同质的特征进行提取,并使用注意力机制来对异构的交互进行建模,随后使用encoder-decoder结构的GRU来对未来轨迹进行预测。
作者在nuScenes和Argoverse Motion Forecasting v1.1两项大规模自动驾驶运动预测数据集上对Goal-LBP的性能进行了评估。实验结果表明本文方法达到了当年的SOTA水准,其中Goal-LBP在ADE和FDE指标上于2023年6月排在了nuScenes leaderboard的第二名。
此外,作者表明本文所提出的局部行为估计器(local behavior estimator block)可以轻松地插入到现有的SOTA方法当中,比如AgentFormer或LaPred。加入LBE block的AgentFormer和LaPred模型在精度上提升了10%。
Contributions
- 本文提出了一种新颖的基于目标的局部行为指导框架,称为Goal-LBP。本文所提出模型的轻量化设计会基于局部行为数据来对代理可能的目标进行预测,从而完成基于目标的轨迹预测。这种基于最终目标估计的方法可以帮助提升未来轨迹的多样性。
- 作者开展了大量的实验来对Goal-LBP的性能进行评估,在两个大规模自动驾驶轨迹预测数据集上的实验结果验证了Goal-LBP的有效性。
- 作者表明本文提出的局部行为估计(Local Behavior Estimator,LBE)模块可以插入到其它轨迹预测模型当中。
Conclusion
在这项工作中,作者提出了一种新颖的基于目标的局部行为轨迹预测框架Goal-LBP,以及一个即插即用的局部行为估计模块。
作者在两项大规模自动驾驶轨迹预测数据集上对本文方法进行了验证,本文方法可以取得SOTA水准的结果。实验结果强调了将局部行为数据用于对目标进行估计的重要性,它可以用于对代理的未来行为进行指导。
此外,作者还在其它方法当中验证了局部行为估计模块的有效性。