PaperNotes(18)-MultiPath、Multipath++

《MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction》

本文的最主要贡献是基于anchor的方法。？

[Abstract] 在motion planning任务中，human behavior预测任务至关重要且很难。在如自动驾驶的现实世界领域里，human behavior的 高度不确定和多模态 特点使得 human behavior prediction成为一个极具挑战的任务。 参考论文[1] [2] 预测单条MAP轨迹，参考论文[3] [4]则预测了未来的 准确概率分布。本文提出的Multipath, 利用固定的 状态序列anchor 集合，每条anchor都与一个轨迹分布的模态 相关。在推理时，模型预测一个关于anchor集合的分布【anchor分类任务】；对每条anchor回归关于waypoint的偏移量，考虑到不确定性，使用混合高斯分布来实现anchor点的回归任务【anchor回归任务】。本文模型十分高效，仅需要一步前向推理就能获取multi-modal future distributions，模型输出是参数化的，允许compact通信和分析概率查询。我们在几个数据集上表明本文模型实现了更准确的预测，与采样基线相比，轨迹减少了一个数量级。

MULTIPATH++: EFFICIENT INFORMATION FUSION AND TRAJECTORY AGGREGATION FOR BEHAVIOR PREDICTION