Due to the stochasticity of human behaviors, predicting the future trajectories of road agents is challenging for autonomous driving. Recently, goal-based multi-trajectory prediction methods are proved to be effective, where they first score over-sampled goal candidates and then select a final set from them. However, these methods usually involve goal predictions based on sparse pre-defined anchors and heuristic goal selection algorithms. In this work, we propose an anchor-free and end-to-end trajectory prediction model, named DenseTNT, that directly outputs a set of trajectories from dense goal candidates. In addition, we introduce an offline optimization-based technique to provide multi-future pseudo-labels for our final online model. Experiments show that DenseTNT achieves state-of-the-art performance, ranking 1st on the Argoverse motion forecasting benchmark and being the 1st place winner of the 2021 Waymo Open Dataset Motion Prediction Challenge.


翻译:由于人类行为的随机性,预测道路物剂的未来轨迹对于自主驾驶来说具有挑战性。最近,基于目标的多轨预测方法被证明是有效的,他们首先得分过量的目标候选人,然后从中选择最后一组。然而,这些方法通常包括基于稀少的预先定义的锚和超常目标选择算法的目标预测。在这项工作中,我们提出了一个无锚和终端到终端的轨迹预测模型,名为DenseTNT,直接输出一组密度目标物候选人的轨迹。此外,我们引入了一种基于离线的优化技术,为我们最后的在线模型提供多角度的假标签。实验显示,DenseTNT取得了最新业绩,在Argovers运动预测基准中排名第1位,并且是2021年Waymo Open Dataset Motion 预测挑战的第1位赢家。

0
下载
关闭预览

相关内容

专知会员服务
54+阅读 · 2020年3月16日
人工智能学习笔记,247页pdf
专知会员服务
182+阅读 · 2019年12月14日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
将门创投
6+阅读 · 2017年7月6日
Arxiv
1+阅读 · 2021年10月11日
Learning Discriminative Model Prediction for Tracking
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
将门创投
6+阅读 · 2017年7月6日
Top
微信扫码咨询专知VIP会员