MSTF: Multiscale Transformer for Incomplete Trajectory Prediction

运动预测在自动驾驶系统中起着关键作用，使车辆能够基于周围车辆的预测执行碰撞警告和合理的局部路径规划。然而，普遍方法通常假设完整的观测轨迹，忽略由于物体遮挡、范围限制和传感器故障引起的缺失值的潜在影响。这些疏漏不可避免地影响了轨迹预测的准确性。为了解决这一挑战，我们提出了一种端到端的框架，称为多尺度Transformer（MSTF），专门用于不完整轨迹预测。MSTF集成了多尺度注意力头（MAH）和基于信息增量的模式自适应（IIPA）模块。具体而言，MAH组件同时从不同的时间粒度捕获轨迹序列的多尺度运动表示，利用多头注意力机制。这种方法有助于对运动在不同尺度上的全局依赖性进行建模，从而缓解了缺失值的不良影响。此外，IIPA模块通过分析数据中的缺失模式自适应地提取运动在时间步长上的连续性表示。连续性表示在更高的层次上描述运动趋势，指导MSTF生成与运动连续性一致的预测。我们使用两个大规模真实数据集评估了我们提出的MSTF模型。实验结果表明，MSTF在不完整轨迹预测任务中超过了现有技术（SOTA）模型，展示了它在解决自动驾驶系统中运动预测中缺失值所带来的挑战方面的有效性。

该论文旨在解决自动驾驶系统中运动预测中遇到的缺失值问题，提高预测的准确性。

论文提出了一个端到端的框架，称为Multiscale Transformer (MSTF)，通过Multiscale Attention Head (MAH)和Information Increment-based Pattern Adaptive (IIPA)模块，从不同的时间粒度捕获多尺度运动表示，并自适应地提取运动的连续性表示，从而缓解了缺失值的不利影响。

论文在两个大规模真实世界数据集上评估了MSTF模型，并展示了其在不完整轨迹预测任务中优于现有技术的表现。此外，论文的MAH和IIPA模块都是新的创新点。该论文的实验设计是值得关注的，数据集和代码也已公开。

在最近的研究中，也有一些关于自动驾驶系统中运动预测的相关研究，如《End-to-End Learning for Self-Driving Cars》和《Probabilistic Future Prediction for Autonomous Driving using GANs》。