Multi-Agent Trajectory Prediction with Difficulty-Guided Feature Enhancement Network

要約

軌道予測は、交通参加者の将来の動きを予測することを目的としているため、自動運転にとって非常に重要です。
従来の方法では通常、エージェント間の予測難易度の違いを無視して、エージェントの軌跡について全体的な推論を実行します。
この論文では、マルチエージェントの軌道予測にエージェント間の予測難易度の違いを活用する、新しい難易度ガイド付き機能強化ネットワーク (DGFNet) を提案します。
まず、時空間特徴のエンコーディングとインタラクションを採用して、豊富な時空間特徴をキャプチャします。
次に、難易度ガイド デコーダを使用して、後続のモジュールへの将来の軌道の流れを制御し、信頼性の高い将来の軌道を取得します。
次に、機能の相互作用と融合が、将来の機能相互作用モジュールを通じて実行されます。
最後に、融合されたエージェントの特徴が最終予測器に入力され、複数の参加者の予測軌跡分布が生成されます。
実験結果は、当社の DGFNet が Argoverse 1\&2 モーション予測ベンチマークで最先端のパフォーマンスを達成していることを示しています。
アブレーション研究により、各モジュールの有効性がさらに検証されます。
さらに、SOTA 手法と比較して、私たちの手法は軌道予測精度とリアルタイム推論速度のバランスが取れています。

要約(オリジナル)

Trajectory prediction is crucial for autonomous driving as it aims to forecast the future movements of traffic participants. Traditional methods usually perform holistic inference on the trajectories of agents, neglecting the differences in prediction difficulty among agents. This paper proposes a novel Difficulty-Guided Feature Enhancement Network (DGFNet), which leverages the prediction difficulty differences among agents for multi-agent trajectory prediction. Firstly, we employ spatio-temporal feature encoding and interaction to capture rich spatio-temporal features. Secondly, a difficulty-guided decoder is used to control the flow of future trajectories into subsequent modules, obtaining reliable future trajectories. Then, feature interaction and fusion are performed through the future feature interaction module. Finally, the fused agent features are fed into the final predictor to generate the predicted trajectory distributions for multiple participants. Experimental results demonstrate that our DGFNet achieves state-of-the-art performance on the Argoverse 1\&2 motion forecasting benchmarks. Ablation studies further validate the effectiveness of each module. Moreover, compared with SOTA methods, our method balances trajectory prediction accuracy and real-time inference speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google