CVPR2021论文速览--Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction

车道感知多样化轨迹预测的分治策略

原文链接：

https://openaccess.thecvf.com/content/CVPR2021/papers/Narayanan_Divide-and-Conquer_for_Lane-Aware_Diverse_Trajectory_Prediction_CVPR_2021_paper.pdf

研究背景

多项选择学习的目标(WTA) 初始化存在不稳定性，如何正确捕捉数据分布？

结合驾驶规则的栅格化图像或高清地图无法保证强语义耦合

锚点创建过程随时间推移回增加计算复杂性且高度依赖场景，泛化性差

研究问题

多模态输出：除了预测最主要的模态，次要模态需要纳入考虑

模型需要分解合理的输出空间，并为给定数量的样本提供不同的未来

如何通过驾驶知识约束实现更好的预测？

解决方案

DAC为WTA提供了稳定的初始化，解决了伪模式相关问题，在每个阶段捕获部分数据的假设集

轨迹预测框架ALAN使用现有的中心线作为锚点，提供强语义耦合的上下文感知输出

DAC：解决了伪模式问题，保留每个输出假设的泰森图区域来获取数据 2h将M个假设分成k个集合，用argmin输出更新集合。k从1开始创建一棵二叉树，树的深度依赖于输出假设m的数量。Depth代表指在当前训练阶段可以达到的最大深度

ALAN：该方法以过去轨迹、车道锚和BEV图为输入，一次性对所有智能体进行多假设预测。该方法由5个主要组件组成:

a)中心线编码器--通过一系列卷积对每个agent的输入车道怕信息进行编码，为每个agent产生一个嵌入向量

b)过去轨迹编码器--除了道路锚点，还通过MLP嵌入时间输入，通过LSTM网络提供一个过去状态向量

c)多智能体卷积交互编码器--实现多智能体在正向传递中对轨迹的预测，首先根据agent特定信息生成场景状态图，然后将其与BEV激活。

d)超列轨迹解码器--通过解码器生成多个假设

e)基于逆最优控制(IOC)的排序模块--衡量预测假设的好坏

 (a)和(b)显示了沿复杂车道结构的预测。基于锚的预测是有益的，特别是对于更长的预测视界，因为轨迹的复杂性增加，锚可以帮助遵循语义。(c)当兴趣车道在相反方向时，用适当的动力学预测u型转弯;(d)展示了一个多智能体预测场景。

效果

在NuScene数据集证实DAC可以产生不同的预测

ALAN在几个性能指标上优于SOTA

 

Divide-And-Conquer (DAC)方法能产生WTA（winner-takes-all）目标函数较好的初始化。提出一个trajectory prediction framework，起名ALAN，采用存在的车道中心线作为锚点提供输入车道限制的轨迹输出。其中设计一个简单representational model，基于定义的hypercolumn descriptors，对交互进行编码。最后，基于一个Inverse Optimal Control based ranking module，给出排序的预测轨迹。