【Motion Forecasting】【摘要阅读】Exploring the Road Graph in Trajectory Forecasting for Autonomous Driving

Exploring the Road Graph in Trajectory Forecasting for Autonomous Driving

这项工作发布于2023年的ICCV。

Abstract

深度学习已经可以解决类似于自动驾驶轨迹预测这类复杂的任务，但是一系列新的挑战随之诞生。

具体来说，使用深度学习模型来解决自动驾驶领域当中的任务需要大量的来自高精地图当中的先验知识。

使用图结构（graph）来对高精地图进行表示是最方便的表示形式。然而，很少有工作深入研究如何对道路图进行构造，以及道路图是如何影响轨迹预测结果的。

在这项工作中，作者对“道路图空间分辨率所产生的影响”、“道路图与最终输出结果的关系”以及“如何将先验知识嵌入到道路图当中”进行了深入研究。

作者在nuScenes数据集上对两个基于图结构的框架（PGP和LAformer）以及在Argoverse v1.1数据集上对LaneGCN展开了大量的实验，以深入探索道路图对轨迹预测任务的影响。

Contributions

• 本文对道路图的空间分辨率（即道路段的长度，是设置为20m更好还是设置为5m更好）之于轨迹预测结果的影响进行了研究；
• 本文对图的输出预测如何进一步地影响模型最终的轨迹预测结果进行了研究；
• 本文对一系列新的将知识嵌入到图结构当中的方法进行了探索；
• 作者在三个基于图的运动预测框架上对本文提出的想法进行了验证。