HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention

预测道路代理的轨迹对于自动驾驶系统至关重要。最近的主流方法采用静态范式，通过使用固定历史帧的持续时间来预测未来轨迹。这些方法独立地进行预测，即使在相邻的时间步骤中也是如此，这可能导致潜在的不稳定性和时间不一致性。由于连续的时间步骤具有大量重叠的历史帧，它们的预测应具有内在的相关性，例如重叠的预测轨迹应该是一致的，或者根据道路情况不同但共享相同的运动目标。受此启发，在这项工作中，我们介绍了HPNet，一种新的动态轨迹预测方法。为了实现稳定和准确的轨迹预测，我们的方法不仅利用历史帧（包括地图和代理状态），还利用历史预测。具体来说，我们新设计了一个历史预测注意力模块，用于自动编码连续预测之间的动态关系。此外，它还通过使用历史预测将注意范围扩展到当前可见窗口之外。所提出的历史预测注意力与代理注意力和模式注意力一起进一步形成了三重分解注意力模块，成为HPNet的核心设计。在Argoverse和INTERACTION数据集上的实验表明，HPNet实现了最先进的性能，并生成准确且稳定的未来轨迹。我们的代码可在https://github.com/XiaolongTang23/HPNet上获得。

本论文试图解决自动驾驶系统中预测道路代理轨迹的问题，提出了一种新的动态轨迹预测方法，旨在提高预测的稳定性和准确性。

该方法不仅利用历史帧包括地图和代理状态，还利用历史预测，设计了历史预测注意力模块来自动编码连续预测之间的动态关系，并将注意力范围扩展到超出当前可见窗口，从而提高预测的一致性和稳定性。

论文在Argoverse和INTERACTION数据集上进行了实验，证明该方法在轨迹预测方面取得了最先进的性能，并且生成了准确和稳定的未来轨迹。作者还提供了开源代码。

在这个领域中，最近的相关研究包括：Trajectron++、S-GAN、Social-STGCNN等。