Fine-Grained Behavior and Lane Constraints Guided Trajectory Prediction Method

要約

自律運転システムの重要な要素としての軌道予測は、多くの研究者の注目を集めています。
既存の予測アルゴリズムは、より詳細なシーン機能を抽出するか、より合理的な軌跡の目的地を選択することに焦点を当てています。
ただし、ターゲットビークルの動的で進化する将来の動きに直面して、これらのアルゴリズムは、予測の精度を低下させる将来の行動と車線の制約の細かく継続的な説明を提供することはできません。
この課題に対処するために、並列注意メカニズムを介して行動意図の認識と車線制約モデリングを相乗的に統合する新しいデュアルストリームアーキテクチャであるBlnetを提示します。
このフレームワークは、それぞれ2つの補助損失によって監督された、それぞれ2つの補助損失によって監督された、きめ細かい動作状態のクエリ（空間的運動パターンのキャプチャ）と車線クエリ（車線トポロジの制約をエンコード）を生成します。
その後、2段階のデコーダーが最初に軌道提案を生成し、次に、通過したレーンの連続性と将来のモーション機能の両方を共同で組み込むことにより、ポイントレベルの改良を実行します。
2つの大きなデータセットの広範な実験、ヌスケンとヨーウブは、ネットワークが既存の直接回帰と目標ベースのアルゴリズムよりも大きなパフォーマンスの向上を示すことを示しています。

要約(オリジナル)

Trajectory prediction, as a critical component of autonomous driving systems, has attracted the attention of many researchers. Existing prediction algorithms focus on extracting more detailed scene features or selecting more reasonable trajectory destinations. However, in the face of dynamic and evolving future movements of the target vehicle, these algorithms cannot provide a fine-grained and continuous description of future behaviors and lane constraints, which degrades the prediction accuracy. To address this challenge, we present BLNet, a novel dualstream architecture that synergistically integrates behavioral intention recognition and lane constraint modeling through parallel attention mechanisms. The framework generates fine-grained behavior state queries (capturing spatial-temporal movement patterns) and lane queries (encoding lane topology constraints), supervised by two auxiliary losses, respectively. Subsequently, a two-stage decoder first produces trajectory proposals, then performs point-level refinement by jointly incorporating both the continuity of passed lanes and future motion features. Extensive experiments on two large datasets, nuScenes and Argoverse, show that our network exhibits significant performance gains over existing direct regression and goal-based algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google