引入自监督预训练的轨迹预测方法

作     者：李琳辉 付一帆 王霆 王雪成 连静 Li Linhui;Fu Yifan;Wang Ting;Wang Xuecheng;Lian Jing

作者机构：大连理工大学机械工程学院大连116024 

出 版 物：《汽车工程》 (Automotive Engineering)

年 卷 期：2024年第46卷第7期

页      面：1219-1227页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 082304[工学-载运工具运用工程] 081104[工学-模式识别与智能系统] 08[工学] 080204[工学-车辆工程] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金(52172382) 中央高校基本科研业务费项目(DUT22JC09) 辽宁省科学技术计划项目(2022JH1/10400030)资助 

主　　题：自动驾驶 轨迹预测 自监督预训练 

摘      要：针对目前基于监督学习的轨迹预测模型数据利用效率低、精度有限的问题,提出一种轨迹预测模型及通用的自监督预训练策略。首先,基于Transformer搭建轻量化的轨迹预测模型,实现场景时序空间特征提取与交互关系建模;其次,设计运动信息时序掩码、道路信息空间掩码、交互关系掩码3类掩码重建任务对模型进行自监督预训练,以提升模型对场景通用特征的提取能力;最后,以预训练权重为初始化参数在下游任务中进行监督学习微调。在Argoverse2 Motion Forecasting数据集的实验表明,模型在预训练任务中能够很好地重建出交通场景,引入自监督预训练能够有效提升预测精度和数据利用效率,且对不同预测任务具有通用性,在单目标轨迹预测与多目标轨迹预测任务上minFDE6指标分别提升3.3%与3.7%。