ProIn: Learning to Predict Trajectory Based on Progressive Interactions for Autonomous Driving

准确地预测行人、骑车人和其他周围车辆（统称为代理）的动作对于自动驾驶非常重要。大多数现有的方法通过基于向量的注意力与地图进行单阶段交互，以提供地图约束来进行社交互动和多模态区分。然而，这些方法必须将所有所需的地图规则编码到焦点代理的特征中，以保留所有可能的意图路径，同时适应潜在的社交互动。本文提出了一个渐进交互网络，使代理的特征逐步聚焦于相关地图，以更好地学习代理特征表示，捕捉相关地图约束。该网络通过图卷积在以下三个阶段逐步将地图约束的复杂影响编码到代理的特征中：历史轨迹编码器之后、社交互动之后和多模态区分之后。此外，还提出了一种权重分配机制，用于多模态训练，以便每种模式可以从单模式基本事实中获得学习机会。实验证实了渐进交互相对于现有的单阶段交互的优越性，并展示了每个组件的有效性。在具有挑战性的基准测试中获得了令人鼓舞的结果。

本文旨在解决自动驾驶中行人、自行车和其他车辆（称为agents）的准确运动预测问题。现有的方法通过与地图进行一阶段交互来捕获地图信息，以为社交互动和多模式差异提供地图约束。然而，这些方法必须将所有所需的地图规则编码到焦点代理的特征中，以保留所有可能的意图路径，同时适应潜在的社交互动。

本文提出了渐进式交互网络，使代理的特征逐步聚焦于相关地图，以更好地学习代理特征表示，捕获相关地图约束。该网络通过图卷积在以下三个阶段逐步将地图约束的复杂影响编码到代理的特征中：历史轨迹编码器后、社交互动后和多模式差异后。此外，还提出了一种权重分配机制，用于多模式训练，以便每个模式可以从单模式的基本事实中获得学习机会。

本文的亮点包括：1.提出了渐进式交互网络，相比现有的一阶段交互更具优势；2.提出了一种权重分配机制，用于多模式训练；3.实验结果证明了渐进式交互的优越性，并证明了每个组件的有效性。实验使用了具有挑战性的基准测试集；4.本文的工作可以为自动驾驶领域的研究提供新思路。

最近在这个领域中，还有一些相关的研究，如：1.《基于多模态深度学习的自动驾驶车辆交互预测》；2.《基于图卷积网络的自动驾驶中行人预测》；3.《自动驾驶中的交互预测：一个综述》。