FutureNet-LOF: Joint Trajectory Prediction and Lane Occupancy Field Prediction with Future Context Encoding

在自动驾驶领域，以往的运动预测研究未能充分编码未来情景，导致预测可能无法准确捕捉代理人（例如车辆或行人）的多样运动。为了解决这个问题，我们提出了FutureNet，将最初预测的轨迹明确地融入未来情景，并进一步编码这些未来情境以增强后续预测。此外，以往的运动预测工作大多集中于为每个代理人独立预测未来。然而，安全和平稳的自动驾驶需要准确地预测复杂动态环境中众多周围代理人的多样未来行为。鉴于所有代理人都占据某些潜在的行驶空间并具有车道行驶优先权，我们提出了一种新的表示方法——车道占用场（LOF），用于自动驾驶中的运动预测，并带有车道语义。LOF可以同时捕捉所有道路参与者未来的时空位置的联合概率分布。由于车道占用场预测和轨迹预测之间的高兼容性，我们提出了一种新的网络，用于联合预测这两个任务，并具有未来情境编码。我们的方法在两个大规模运动预测基准测试中均排名第一：Argoverse 1和Argoverse 2。

本论文尝试解决自动驾驶中的运动预测问题，即如何准确地预测周围车辆和行人的行动，以确保安全和平稳的驾驶体验。

论文提出了两个关键思路。首先，通过将初始预测轨迹与未来场景相结合，并进一步编码这些未来上下文来增强后续预测的准确性。其次，提出了基于车道语义的Lane Occupancy Field（LOF）表示法，可以同时捕捉所有道路参与者未来时空位置的联合概率分布，从而更准确地预测未来行动。

该论文在Argoverse 1和Argoverse 2两个大型运动预测基准测试中排名第一。实验使用了大量数据集，并且开源了代码，这为后续研究提供了很好的基础。此外，论文提出的Lane Occupancy Field表示法在未来的交通预测中具有广泛的适用性，可以进一步推动自动驾驶技术的发展。

在此领域中，还有许多相关研究正在进行。例如，论文中提到的Argoverse数据集已成为运动预测领域的重要基准测试之一。此外，还有其他基于深度学习的运动预测方法，如Social LSTM和Trajectron++等。