[论文解读] Learning to Predict Vehicle Trajectories with Model-based Planning
PRIME 将基于模型的轨迹生成器与基于学习的评估器结合，生成可行的、多模态的车辆轨迹预测，并稳健地处理不完美的跟踪。
Predicting the future trajectories of on-road vehicles is critical for autonomous driving. In this paper, we introduce a novel prediction framework called PRIME, which stands for Prediction with Model-based Planning. Unlike recent prediction works that utilize neural networks to model scene context and produce unconstrained trajectories, PRIME is designed to generate accurate and feasibility-guaranteed future trajectory predictions. PRIME guarantees the trajectory feasibility by exploiting a model-based generator to produce future trajectories under explicit constraints and enables accurate multimodal prediction by utilizing a learning-based evaluator to select future trajectories. We conduct experiments on the large-scale Argoverse Motion Forecasting Benchmark, where PRIME outperforms the state-of-the-art methods in prediction accuracy, feasibility, and robustness under imperfect tracking.
研究动机与目标
- 为在运动学和环境约束下实现准确且可行的自治驾驶轨迹预测提供动机。
- 开发一个两阶段框架，将可行轨迹生成与基于交互的评分分离。
- 利用HD地图和Frenét坐标来管理智能体-地图交互与多模态预测。
- 提高对不完美跟踪的鲁棒性并减少对长期跟踪数据的依赖。
提出的方法
- 模型基生成器G使用基于地图的路径搜索以产生可达路径并在显式约束下采样可行轨迹。
- Frenét坐标系中的轨迹生成将当前状态投影到参考路径并通过四次/五次多项式生成纵向和横向轨迹，然后进行约束筛选。
- 基于学习的评估器E通过双重空间表示对场景上下文进行编码，并使用基于注意力的模块（P2T、P2F、A2A、F2F）对可行轨迹进行打分并选择。
- 通过对可行轨迹T进行排序并应用非极大值抑制，获得带有相关概率的K条轨迹，得到预测结果T_tar。
- 训练使用交叉熵损失来使预测的轨迹分数与真实相关性对齐，推理输出带概率的K条最佳轨迹。
实验结果
研究问题
- RQ1模型基轨迹生成器能否为预测提供可行、受约束的未来轨迹？
- RQ2基于学习的评估器是否能够有效建模隐含交互以选择准确的多模态预测？
- RQ3相较于完全学习型基线，在存在不完美跟踪时，PRIME的表现如何？
- RQ4Frenét表示和F2F融合对预测质量有何影响？
- RQ5将模型基规划整合进来是否能在不牺牲准确性的前提下提升预测的可行性与鲁棒性？
主要发现
- PRIME在Argoverse基准上在漏检率和基于概率的指标上优于最先进方法，表明多模态预测准确性强。
- 基于模型的生成器通过强制执行运动学和环境约束来保证轨迹可行，减少在无约束基线中常见的不可行预测。
- 评估器通过注意力驱动的情境融合（P2T、P2F、A2A、F2F）成功捕捉隐含交互，并以紧凑的参数规模实现有竞争力的准确性。
- 消融研究表明Frenét表示和F2F融合对性能有贡献，完整的PRIME网络在约1.02M参数下取得最佳结果。
- PRIME对不完美跟踪表现出鲁棒性，当训练和测试阶段的跟踪数据被移除时，其性能下降远小于基线。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。