CVPR2022论文速览--Vehicle trajectory prediction works, but not everywhere

车辆轨迹预测有效，但并非无处不在

原文链接

[2112.03909] Vehicle trajectory prediction works, but not everywhere (arxiv.org)

研究背景

现有预测模型无法推广到新的场景中，由于场景生成方法改变了场景，使得训练过程中几乎不包含关于未来轨迹的信息，因此导致在新场景中鲁棒性差

研究问题

如何有效生成有效的真实的新场景？

如何评估现有轨迹预测模型？如何证明生成场景的真实性？

能否利用生成的场景提高预测模型的鲁棒性？

解决方案

对抗性自动生成逼真场景

搜索方法寻找具有挑战性的真实驾驶场景，具体到每个轨迹预测模型

效果

使用在Argoverse公共数据集上训练的三种最先进的轨迹预测模型（LanGCN,DATF,WIMP)，研究模型可转移性鲁棒性，LaneGCN微调后鲁棒性增加，DATF，WIMP鲁棒性不佳

证明物理约束是使场景可行的必要条件

LaneGCN(图卷积网络): Argoverse预测挑战的首选方法之一，是一个多模态预测模型，同时还提供了各模态的概率，考虑概率最大的模态

DATF ：一种基于流量的方法，使用交叉熵损失来鼓励产生对道路的预测。由于该多态模型不提供每一模态的概率，因此考虑最接近基本事实的概率  Diverse and admisible trajectory forecasting through multimodal context understanding.通过多模态语境理解进行多元可接受轨迹预测

WIMP：一种使用场景关注模块和动态交互图来捕捉几何关系和社会关系。由于该多态模型不提供每一模态的概率，因此考虑最接近基本事实的概率 What-if motion prediction for autonomous driving.

 

热度图表明，模型更容易受到较大的转换参数的影响。红色表示在这些场景中有更多的越野预测，绿色表示更高的可接受性。通常模型在高曲率时轮流失效。例如，更剧烈的转弯。此外，它显示更多的越野在左转弯比右转弯。这可能是由于数据集中的偏差。在鲁棒模型中可以看到一个明显的改进

HOR：offroad在预测轨迹点中至少发生一次offroad的场景百分比

SOR：offroad预测点占所有预测点的百分比

算法：

算法被Kmax迭代，每次迭代中，选择一个变换函数，然后由变换函数生成相应的场景，然后对观测轨迹进行缩放以确保场景的可行性。接下来在新场景中预测，并用于计算loss，最佳损失决定最终生成的场景