TPNet: Trajectory Proposal Network for Motion Prediction
运动预测的轨迹建议网络
摘要
对行人、车辆以及骑自行车者等周边交通主体进行准确的运动预测对于自动驾驶系统至关重要。近期的数据驱动运动预测方法试图通过大量轨迹数据学习直接回归精确的未来位置或其概率分布。然而这些方法仍难以实现多模态预测并有效整合物理约束如交通法规与可移动区域。在本研究中我们提出了一种新的两阶段运动预测框架命名为轨迹建议网络TPNet该框架首先生成一组候选未来轨迹作为初步假设然后通过对满足物理约束条件的初步假设进行分类与细化最终得出精确预测结果。通过引导假设生成过程我们实现了安全且多模态的精确预测结果。在四个大规模轨迹预测数据集(即ETHUCYApollo及Argoverse数据集)上的实验表明TPNet在数量与质量上均达到了当前最先进的水平
介绍
自动驾驶系统需要通过预判周围交通主体（包括车辆、行人及自行车者）的行为来作出包含丰富信息且安全的决策。
在这种情况中
移动不仅受到他们意图的影响
在本研究中，我们提出了一种新的两阶段框架命名为轨迹建议网络(TPNet)，旨在更高效地处理多模态运动预测与交通约束问题。第一部分中，TPNet通过预测一个粗略的未来终点位置来缩减轨迹搜索范围，并基于此预测结果生成一组可能的未来运动路径假设作为初步建议。第二部分中，则对该系列假设进行分类与细化处理，并最终选出得分最高的运动路径作为最终预测结果。值得注意的是，在第一部分中还能够生成具有不同持续注意力机制的具体提议方案以实现多样化的多模态预测效果；此外，在这一模块中还应用了可移动区域约束的知识来进行结果筛选工作；通过大量实验测试表明，在TPNet的帮助下不仅能够获得更加精确且可靠的运动预测结果；而且将未来的运动轨迹进行细化处理后所得到的结果比直接回归未来位置的效果要更加准确。
本文的主要贡献体现在：第一部分是开发了一个整合性高的车辆与行人两阶段运动预测系统；第二部分是通过多模态数据融合实现了对各类用户行为模式的有效识别；第三部分是成功构建了一个基于深度学习算法的人工智能预测模型；第四部分是在严格遵守交通规则的前提下实现了对复杂场景下动态物体运动状态的有效感知与跟踪；第五部分是在大样本学习的基础上实现了对实时场景下的快速推理能力。