Vectorized Representation Dreamer (VRD): Dreaming-Assisted Multi-Agent Motion-Forecasting

为了让自动驾驶车辆在其环境中规划路径，它必须能够准确预测其附近所有动态物体的轨迹。虽然许多传统方法将场景中的观测编码以解决此问题，但很少有方法考虑到自我驾驶车辆行为对世界未来状态的影响。在本文中，我们介绍了VRD，一种基于矢量化世界模型的多智能体运动预测问题的方法。我们的方法将传统的开环训练模式与一种新颖的闭环训练流程相结合，利用运动重建任务来想象所有智能体的轨迹，以自我驾驶车辆的动作为条件。我们在Argoverse 2多世界预测评估数据集和交叉口无人机（inD）数据集上进行了定量和定性实验，以展示我们提出的模型的性能。我们的模型在Argoverse 2数据集的单次预测错过率指标上实现了最先进的性能，并在单次预测位移指标方面与领先的模型表现相当。

本论文旨在解决自动驾驶车辆路径规划中的多智能体运动预测问题，提出了一种基于VRD的方法。

该方法结合了传统的开环训练和新颖的闭环训练，通过运动学重构任务来想象所有智能体的轨迹，并考虑自车行为对未来世界状态的影响。

论文在Argoverse 2和inD数据集上进行了定量和定性实验，取得了最先进的单次预测错失率指标，并在单次预测位移指标上与领先模型表现相当。论文提出的方法值得进一步研究。

在此领域中的相关研究包括：《Trajectron++: Multi-Agent Generative Trajectory Forecasting with Heterogeneous Data Sources》、《Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks》等。