PBP：基于路径的自动驾驶轨迹预测

本文介绍了PBP：基于路径的自动驾驶轨迹预测。通过使自动驾驶汽车能够预测周围智能体的运动，轨迹预测在自动驾驶技术栈中发挥着关键的作用。近年来，基于目标的预测模型在解决未来轨迹的多模态性质方面受到了关注。基于目标的预测模型通过首先预测智能体的2D目标位置，然后预测以每个目标为条件的轨迹来简化多模态预测。然而，单个2D目标位置作为预测整条轨迹的弱归纳偏差，通常导致地图合规性差，即部分轨迹偏离了道路或者违反了交通规则。在本文中，我们通过提出基于路径的预测（PBP）方法来改进基于目标的预测。PBP使用路径特征来预测高精地图中参考路径上的离散概率分布，并且预测路径相对Fr.NET坐标系中的轨迹。我们在HiVT场景编码器上应用PBP轨迹解码器，并且给出了在Argoverse数据集上的结果。本文实验表明，PBP在标准的轨迹预测指标上实现了具有竞争力的性能，同时在地图合规性方面显著优于最先进的基线。

本文的贡献总结如下：

1）本文提出了一种新型的基于路径的轨迹预测（PBP）方法，其改进了传统的基于目标的预测；

2）本文将PBP轨迹解码器应用于HiVT场景编码器之上。由此产生的模型在Argoverse排行榜上达到了最佳的地图合规性指标，同时在预测误差指标方面具有竞争力；

3）本文进行了大量的消融研究，在Argoverse验证集上比较了不同的轨迹解码器方法。

论文图片和表格

 

 

 

 

 

 

 

总结

在本文中，我们提出了PBP，这是一种新型的基于路径的预测方法。与传统的基于目标的预测方法相比，PBP在整条参考路径而不仅仅是目标端点上进行分类。额外的参考路径信息提高了路径分类的准确率，并且使PBP解码路径相关Frenet坐标系中的轨迹。评估结果表明，与传统的多模态回归和基于目标的预测方法相比，基于路径的预测方法使得轨迹预测明显更符合地图，同时维持了具有竞争力或者更好的预测准确率。

本文基于路径的预测方法的一个局限性是其预测结果受限于地图合规性。实际上，可以对那些地图不合规的智能体使用另一个无目标回归模型，并且训练一个轨迹选择器模块在PBP和无目标预测之间进行选择。