TPNet: Trajectory Proposal Network for Motion Prediction

运动预测的轨迹建议网络

摘要

对行人、车辆和骑自行车者等周围交通主体进行准确的运动预测对于自动驾驶至关重要。最近的数据驱动运动预测方法试图从大量轨迹数据中学习直接回归精确的未来位置或其分布。然而，这些方法仍然很难提供多模态预测以及整合物理约束，例如交通规则和可移动区域。在这项工作中，我们提出了一个新的两阶段运动预测框架，轨迹建议网络。TPNet首先生成一组候选的未来轨迹作为假设建议，然后通过对满足物理约束的建议进行分类和细化来做出最终的预测。通过指导建议生成过程，实现了安全和多模式的预测。因此，该框架在保证多模态输出的同时，有效地降低了运动预测问题的复杂性。在四个大规模轨迹预测数据集(即ETH、UCY、Apollo和Argoverse数据集)上的实验表明，TPNet在数量和质量上都达到了最新的结果。

介绍

预测周围交通主体(如车辆、行人和骑自行车者)的运动对于自动驾驶系统做出信息丰富且安全的决策至关重要。交通代理人的行为往往是固有的多模态行为，在这种情况下，可能有多种合理的意图来确定他们的未来路径。如图1所示，在这种情况下，当只接收到有限数量的观察值时，绿色的车辆1可以右转或直行。此外，交通代理的移动不仅由他们的意图决定，而且由附近的交通规则(例如可能的可移动区域)来规范。例如，车辆应该在路上行驶，行人应该在人行道或人行横道上行走。因此，可靠的运动预测应该包括代理先前轨迹的建模以及目标的交通约束。确保安全和多模式预测对于自动驾驶系统至关重要。
运动预测的早期工作通过利用基于卡尔曼滤波器的动态模型[5，6]或高斯混合模型[9]等来考虑时间序列预测任务。然而，这些模型对观测噪声敏感，并且由于建模代理的意图失败而变得不可靠。最近，已经开发了许多基于深度神经网络的数据驱动运动预测方法[1，11&#