Hierarchical Light Transformer Ensembles for Multimodal Trajectory Forecasting

准确的轨迹预测对于各种系统的性能至关重要，例如高级驾驶辅助系统和自动驾驶车辆。这些预测可以预测导致碰撞的事件，并因此减轻碰撞的影响。深度神经网络在运动预测方面表现出色，但过度自信和不确定性量化等问题仍然存在。深度集成可以解决这些问题，但将其应用于多模态分布仍然具有挑战性。在本文中，我们提出了一种名为Hierarchical Light Transformer Ensembles（HLT-Ens）的新方法，旨在使用新的分层损失函数高效地训练一组Transformer架构的集成。HLT-Ens利用分组全连接层（受分组卷积技术启发）来有效地捕获多模态分布。通过广泛的实验，我们证明HLT-Ens实现了最先进的性能水平，为改进轨迹预测技术提供了有前途的途径。

论文旨在解决多模态轨迹预测中的不确定性和过度自信等问题，提出了一种基于Transformer架构的深度集成方法HLT-Ens，并探究其在轨迹预测中的应用。

HLT-Ens采用分组全连接层来捕获多模态分布，使用层次化损失函数有效地训练Transformer架构的集成模型，以提高轨迹预测的性能。

论文通过实验验证了HLT-Ens在多个数据集上的优越性能，并与其他方法进行了比较。论文还开源了代码，为后续研究提供了便利。

最近在轨迹预测领域中，还有一些相关的研究，如《End-to-End Learning of Driving Models from Large-Scale Video Datasets》和《Probabilistic Multimodal Vehicle Trajectory Prediction at Urban Intersections》等。