UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction

车辆轨迹预测越来越依赖于数据驱动的解决方案，但它们在不同数据领域的可扩展性和更大数据集大小对它们的泛化影响仍未得到充分探讨。虽然这些问题可以通过使用多个数据集来研究，但由于数据格式、地图分辨率和语义注释类型存在多个差异，因此具有挑战性。为了解决这些挑战，我们介绍了UniTraj，这是一个综合框架，统一了各种数据集、模型和评估标准，为车辆轨迹预测领域提供了新的机会。特别是，使用UniTraj，我们进行了广泛的实验，并发现当模型转移到其他数据集时，其性能显著下降。然而，扩大数据规模和多样性可以大大提高性能，从而在nuScenes数据集中实现了新的最优结果。我们提供了有关数据集特征的见解，以解释这些发现。代码可以在此处找到：\hyperlink{https://github.com/vita-epfl/UniTraj}{https://github.com/vita-epfl/UniTraj}。

本论文旨在解决车辆轨迹预测中数据驱动解决方案的可扩展性问题和大型数据集对其泛化性能的影响问题。

本论文提出了UniTraj框架，可以统一不同数据集、模型和评估标准，以提高车辆轨迹预测的性能。

本论文通过UniTraj框架对多个数据集进行了广泛实验，发现模型在转移到其他数据集时性能显著下降，但扩大数据大小和多样性可以显著提高性能，并在nuScenes数据集上取得了新的最优结果。研究人员提供了有关数据集特征的见解，并提供了开源代码。

在此领域的相关研究包括：《End-to-end Learning of Driving Models from Large-scale Video Datasets》、《Probabilistic Behavior Prediction of Pedestrians and Vehicles with Motion Forecasting Neural Networks》等。