在现实世界的城市环境中进行运动预测是自主机器人的一项重要任务,包括预测车辆和行人在内的交通主体的未来轨迹,这对于自动驾驶领域的安全、舒适和高效操作来说绝对至关重要。运动预测任务传统上是基于运动学约束和具有手工规则的道路地图信息,然而这些方法无法捕捉复杂场景中的长期行为以及与地图结构和其他交通代理的交互。在论文"SSL-Lanes: Self-Supervised Learning for Motion Forecasting in Autonomous Driving"中,作者提出了一个基于自监督学习的运动预测模型,算法已经开源。
在2022论文"SSL-Lanes: Self-Supervised Learning for Motion Forecasting in Autonomous Driving"中,作者提出了SSL-Lanes,它以伪标签的形式利用从数据中生成的监控信号,并将其与标准的运动预测模型相集成,还在大规模Argoverse数据集上验证。SSL-Lanes的一个很大的优点是它具有高的准确性,同时具有低的架构复杂度和高的推理速度。作者还证明了所有提出的SSL假设性任务都比普通的运动预测基线有所改进,特别是在左/右转和加速/减速这样的困难情况。