Die Studie präsentiert HPNet, eine neuartige dynamische Trajektorienvorhersagemethode. Im Gegensatz zu herkömmlichen Methoden, die Trajektorienvorhersage als statische Aufgabe behandeln, betrachtet HPNet sie als dynamische Aufgabe.
Zunächst kombiniert HPNet Agenten- und Straßenmerkmale mit erlernbaren Modusabfragen, um erste Vorhersageeinbettungen zu erstellen. Anschließend verfeinert die Triple Factorized Attention, bestehend aus Agenten-Attention, historischer Vorhersage-Attention und Modus-Attention, diese Vorhersageeinbettungen. Schließlich werden die Vorhersageeinbettungen durch ein MLP decodiert, um die vorhergesagten Trajektorien zu erhalten.
Die historische Vorhersage-Attention ist ein neuartiges Modul, das die dynamische Beziehung zwischen aufeinanderfolgenden Vorhersagen modelliert, indem es historische Vorhersagen als Referenz verwendet. Dies führt zu stabileren und genaueren Trajektorienvorhersagen. Außerdem kann die historische Vorhersage-Attention den Aufmerksamkeitsbereich über das sichtbare Fenster hinaus erweitern, ohne den Rechenaufwand zu erhöhen.
Experimente auf den Argoverse- und INTERACTION-Datensätzen zeigen, dass HPNet den Stand der Technik übertrifft und genaue und stabile zukünftige Trajektorien generiert.
翻譯成其他語言
從原文內容
arxiv.org
深入探究