- GoRela: Go Relative за прогнозиране на движение с инвариантна гледна точка (arXiv)
Автор: Александър Куи, Серхио Касас, Келвин Уонг, Саймън Суо, Ракел Уртасун
Резюме: Задачата за прогнозиране на движението е от решаващо значение за самоуправляващите се превозни средства (SDV), за да могат да планират безопасна маневра. За постигане на тази цел съвременните подходи разсъждават върху картата, миналите траектории на агентите и техните взаимодействия, за да изготвят точни прогнози. Преобладаващият подход е да се кодират картата и другите агенти в референтната рамка на всеки целеви агент. Този подход обаче е скъп от изчислителна гледна точка за мултиагентно прогнозиране, тъй като изводът трябва да се изпълнява за всеки агент. За да се справи с предизвикателството на мащабирането, решението досега беше да се кодират всички агенти и картата в споделена координатна рамка (напр. SDV рамка). Това обаче е примерно неефективно и уязвимо към изместване на домейна (напр. когато SDV посети необичайни състояния). За разлика от това, в този документ ние предлагаме ефективно споделено кодиране за всички агенти и картата, без да жертвате точността или обобщението. За постигането на тази цел ние използваме относително позиционно кодиране по двойки, за да представим геометрични връзки между агентите и елементите на картата в хетерогенна пространствена графика. Тази параметризация ни позволява да бъдем инвариантни към гледната точка на сцената и да спестим онлайн изчисления чрез повторно използване на вграждания на карти, изчислени офлайн. Нашият декодер също така е агностичен от гледна точка, предвиждайки целите на агента върху графиката на лентата, за да позволи разнообразно и съобразено с контекста мултимодално прогнозиране. Ние демонстрираме ефективността на нашия подход върху градския бенчмарк Argoverse 2, както и нов набор от данни за магистрали.
2. Подобряване на прогнозирането на движението за автономно шофиране със загубата на последователност на цикъла (arXiv)
Автор: Titas Chakraborty, Akshay Bhagat, Henggang Cui
Резюме: Стабилното прогнозиране на движението на динамичната сцена е критичен компонент на едно автономно превозно средство. Това е труден проблем поради хетерогенността на сцената и присъщите несигурности на проблема. За да подобрим точността на прогнозирането на движението, в тази работа ние идентифицираме ново ограничение за последователност в тази задача, тоест бъдещата траектория на агента трябва да бъде съгласувана с неговите исторически наблюдения и обратното. За да използваме това свойство, ние предлагаме нова схема за обучение за последователност на цикъла и дефинираме нова загуба на цикъл, за да насърчим тази последователност. По-специално, ние обръщаме прогнозираната бъдеща траектория назад във времето и я подаваме обратно в модела за прогнозиране, за да предвидим историята и да изчислим загубата като допълнителен термин за загуба на цикъл. Чрез нашите експерименти върху набора от данни Argoverse ние демонстрираме, че загубата на цикъл може да подобри производителността на конкурентни модели за прогнозиране на движението.
