论文链接：https://arxiv.org/pdf/2402.19251.pdf
代码链接：https://github.com/Petrichor625/HLTP
摘要
本文介绍了一种基于认知的自动驾驶轨迹预测方法。在自动驾驶汽车（AV）技术中，准确预测周围车辆运动的能力对于确保安全性和运营效率至关重要。加入人类的决策理解将使自动驾驶汽车能够更有效地预测其它车辆的潜在行为，从而大大提高在动态环境中的预测准确性和响应能力。本文引入了类人轨迹预测（HLTP）模型，其采用了受人类认知过程启发的教师-学生知识蒸馏框架。HLTP模型包含了一个复杂的教师-学生知识蒸馏框架。“教师”模型配备了自适应的视觉扇区，模拟了人脑的视觉处理过程，特别是枕叶和颞叶的功能。“学生”模型着重于实时交互和决策，将其与前额叶和顶叶皮层的功能进行对比。这种方法允许动态适应不断变化的驾驶场景，捕获必要的感知线索以进行准确预测。本文使用Macao Connected and Autonomous Driving（MoCAD）数据集以及NGSIM和HighD基准进行评估，结果表明，与现有模型相比，HLTP表现出卓越的性能，特别是在没有完整数据的具有挑战性的环境中。
主要贡献
本文的贡献总结如下：
1）本文引入了HTPL模型，其采用一种新的视觉感知池化机制，该机制结合了一种自适应视觉扇区来模拟人类视觉注意力的动态过程。通过surround-aware编码器和shift-window注意力模块增强，HTPL能够熟练地捕获来自不同场景的关键感知线索；
2）HTPL采用了一种认知启发的教师-学生知识蒸馏框架，通过高效地吸收视觉注意力和空间意识的复杂模式，提高了预测准确性和鲁棒性，特别是在复杂场景中；
3）本文引入Macao Connected and Autonomous Driving（MoCAD）数据集，为轨迹预测研究提供了一个新的城市驾驶背景。
论文图片和表格
总结
本文提出了一种新的自动驾驶轨迹预测模型HLTP，其解决了先前模型在参数繁重和适应性有限方面的局限性。它基于异构的知识蒸馏网络，提供了一个轻量级但高效的框架来维持预测准确性。重要的是，HLTP适应数据缺失和输入减少的场景，使用分层学习来模拟人类观测，并且基于较少的输入观测来做出类人预测。本文的实验结果表明，HLTP在复杂的交通场景中表现出色，并且提供了SOTA性能。此外，本文还提供了右手驾驶系统数据集MoCAD作为一个新的基准，以改进复杂交通场景中的轨迹预测方法。
发表回复