Traj-MAE: Masked Autoencoders for Trajectory Prediction
这项工作发布于2023年的ICCV,第一作者来自于香港中文大学。
Abstract
轨迹预测对于可靠的自动驾驶系统来说至关重要,因为轨迹预测可以对潜在的危险进行预警。
轨迹预测任务的一个关键问题是生成不包含冲突的预测轨迹结果。为了解决上述难题,本文提出了一种用于轨迹预测的掩码自编码器(masked autoencoder)Traj-MAE,它可以更好地表示驾驶环境中代理的复杂行为。
具体来说,本文提出的Traj-MAE使用多种不同的掩码策略来对轨迹编码器和地图编码器进行与训练,使得模型可以捕捉到代理之间复杂的时空信息,同时多粒度地利用环境当中的信息。
为了缓解由多项掩码策略所带来的预训练模型灾难性遗忘问题,本文提出了一种连续预训练框架,它可以帮助Traj-MAE从多种策略当中高效地学习到有用且多样的信息。
于单代理和多代理轨迹预测任务上的实验结果表明了Traj-MAE可以达到与SOTA水准相近的结果,并且Traj-MAE的性能相较于本文所选的baseline模型有着较大的提升。
Traj-MAE是开源的,详情可见原文相应的链接。
Contributions
- 就作者所知,Traj-MAE是第一项将掩码轨迹自编码器应用于自监督轨迹预测任务上的工作;
- 作者对不同的掩码策略进行探索,并充分地利用MAE来对代理历史运动轨迹及高精地图的语义信息进行挖掘。同时,本文还提出了一种连续预训练框架,来高效地使用多种策略对模型进行预训练;
- 作者在多项公开数据集上开展实验,验证了Traj-MAE的有效性,并且Traj-MAE的性能相较于baseline来说有着较大的提升。
Conclusion
本文提出了一种新颖的掩码轨迹自编码器(masked trajectory autoencoder,Traj-MAE),用于自监督轨迹预测学习。
本文所提出的Traj-MAE使用了多种掩码策略,使得轨迹编码器可以学习到轨迹的空间和时间信息,而地图编码其可以捕捉到多个粒度的地图结构信息。
本文方法还提出了一种连续预训练框架,使得模型可以通过预训练学习到多种掩码策略。
实验结果表明,Traj-MAE在多项大规模自动驾驶数据集上取得了较好的结果,可以完成多代理和单代理预测任务。