SmartRefine: A Scenario-Adaptive Refinement Framework for Efficient Motion Prediction

预测周围物体的未来运动对于自动驾驶汽车在动态的人机混合环境中安全运行至关重要。上下文信息，如道路地图和周围物体的状态，为运动行为预测提供了关键的几何和语义信息。为此，最近的研究探索了两阶段预测框架，首先提出粗略轨迹，然后用于选择关键的上下文信息以进行轨迹细化。然而，它们要么需要大量计算，要么带来有限的改进，要么两者都有。在本文中，我们引入了一种新颖的情景自适应细化策略，称为SmartRefine，以最小化额外计算来细化预测。具体而言，SmartRefine可以根据每个情景的属性全面适应细化配置，并通过引入质量评分来智能选择细化迭代次数，以测量每个情景的预测质量和剩余细化潜力。SmartRefine被设计为一种通用和灵活的方法，可以无缝地集成到大多数最先进的运动预测模型中。Argoverse（1＆2）上的实验表明，我们的方法始终提高了多个最先进预测模型的预测精度。具体而言，通过将SmartRefine添加到QCNet中，我们在Argoverse 2排行榜（单代理跟踪）上的提交中超过了所有已发布的无集合作品。还进行了全面的研究以解释设计选择并探索多次迭代细化的机制。代码可在https://github.com/opendilab/SmartRefine/上获得。

如何在自主驾驶中预测周围物体的运动轨迹，以确保安全？

提出一种名为SmartRefine的场景自适应预测优化策略，通过引入质量评分来智能选择迭代次数，以最小化额外计算量。

论文提出的SmartRefine方法可以无缝集成到大多数最先进的运动预测模型中，并在Argoverse数据集上实现了一致的性能提升。论文还进行了全面的研究来探讨设计选择和多次迭代的机制。代码已经开源。

最近的相关研究包括：'End-to-end Learning of Driving Models from Large-scale Video Datasets'，'Probabilistic Behavior Prediction for Autonomous Vehicles using Interactive Maneuver Recognition'，'Multi-modal Trajectory Prediction of Surrounding Vehicles with Maneuver based LSTMs'等。