HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention

要約

道路管理者の軌道を予測することは、自動運転システムにとって不可欠です。
最近の主流の手法は、固定期間の履歴フレームを使用して将来の軌道を予測する静的パラダイムに従っています。
これらの方法では、隣接するタイム ステップであっても独立して予測が行われるため、不安定性や時間的な不一致が生じる可能性があります。
連続するタイム ステップには大部分が重複する履歴フレームがあるため、それらの予測には固有の相関関係がある必要があります。たとえば、重複する予測軌道は一貫しているか、道路状況に応じて異なるが同じ運動目標を共有する必要があります。
これを動機として、この研究では、新しい動的軌道予測方法である HPNet を紹介します。
安定した正確な軌道予測を目指して、私たちの手法はマップやエージェントの状態を含む過去のフレームだけでなく、過去の予測も活用します。
具体的には、連続する予測間の動的な関係を自動的にエンコードする歴史的予測アテンション モジュールを新たに設計します。
さらに、過去の予測を利用することで、現在表示されている範囲を超えて注目の範囲も拡張されます。
提案された歴史的予測アテンションは、エージェント アテンションおよびモード アテンションと併せて、HPNet のコア設計として機能する Triple Factorized Attendant モジュールとしてさらに定式化されます。Argoverse および INTERACTION データセットの実験では、HPNet が最先端のパフォーマンスを達成することが示されています。
、正確で安定した未来の軌道を生成します。
私たちのコードは https://github.com/XiaolongTang23/HPNet で入手できます。

要約(オリジナル)

Predicting the trajectories of road agents is essential for autonomous driving systems. The recent mainstream methods follow a static paradigm, which predicts the future trajectory by using a fixed duration of historical frames. These methods make the predictions independently even at adjacent time steps, which leads to potential instability and temporal inconsistency. As successive time steps have largely overlapping historical frames, their forecasting should have intrinsic correlation, such as overlapping predicted trajectories should be consistent, or be different but share the same motion goal depending on the road situation. Motivated by this, in this work, we introduce HPNet, a novel dynamic trajectory forecasting method. Aiming for stable and accurate trajectory forecasting, our method leverages not only historical frames including maps and agent states, but also historical predictions. Specifically, we newly design a Historical Prediction Attention module to automatically encode the dynamic relationship between successive predictions. Besides, it also extends the attention range beyond the currently visible window benefitting from the use of historical predictions. The proposed Historical Prediction Attention together with the Agent Attention and Mode Attention is further formulated as the Triple Factorized Attention module, serving as the core design of HPNet.Experiments on the Argoverse and INTERACTION datasets show that HPNet achieves state-of-the-art performance, and generates accurate and stable future trajectories. Our code are available at https://github.com/XiaolongTang23/HPNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google