Core Concepts
提案されたプログレッシブインタラクションネットワークは、自律走行の軌道予測においてエージェントの特徴表現をより良く学習し、シーンコンテキスト情報を捉えることができます。
Abstract
自動運転における軌道予測の重要性
既存の作業とその問題点
プログレッシブインタラクションネットワークの概要と各ステージでの役割
実験結果と提案手法の優位性
背景
自動運転における軌道予測の重要性と課題
既存作業:ラスターメソッドとベクトルメソッド
プログレッシブインタラクションネットワーク
エージェントエンコーダーとマップエンコーダー
グラフ畳み込みを用いたマップ-エージェント相互作用
トレーニング
スコアリングヘッドとトラジェクトリ生成ヘッドに対する損失関数
実験結果
Argoverse 1およびArgoverse 2データセットでの比較結果
成果
プログレッシブインタラクションネットワークが他手法よりも優れていることを示す実験結果
Stats
著者らは、Argoverse 1データセットやArgoverse 2データセットで評価を行った。
LaneGCN [9]は強力な基準線であり、提案手法はLaneGCNよりも優れた結果を示した。
Quotes
"A progressive interaction network is proposed to better learn agents’ feature representation capturing the scene context information."
"The proposed method outperforms existing improvements over LaneGCN with sophisticated interactions."