DeTra: A Unified Model for Object Detection and Trajectory Forecasting

目标检测和轨迹预测任务在自动驾驶中扮演着至关重要的角色。这些任务通常以级联方式执行，易于产生累积误差。此外，两个任务之间通常只有非常薄的接口，导致信息丢失。为了解决这些挑战，我们的方法将两个任务的联合形式化为轨迹细化问题，其中第一个姿态是检测（当前时间），后续姿态是多个预测（未来时间）的航点。为了解决这个统一的任务，我们设计了一个细化变压器，直接从LiDAR点云和高清地图中推断对象的存在、姿态和多模态未来行为。我们将这个模型称为DeTra，即目标检测和轨迹预测。在我们的实验中，我们观察到，我们的模型在Argoverse 2 Sensor和Waymo Open Dataset上的表现大大优于现有技术，涵盖了广泛的指标。最后但并非最不重要的是，我们进行了广泛的消融研究，证明了细化对于这个任务的价值，每个提出的组件都对其性能产生了积极的贡献，并且进行了关键的设计选择。

本论文试图解决自动驾驶中物体检测和轨迹预测的问题，提出了一种联合优化的轨迹细化模型DeTra，旨在解决两个任务之间信息瓶颈和误差叠加的问题。

本论文的关键思路是将物体检测和轨迹预测联合起来，构建一个直接从LiDAR点云和高清地图中推断物体存在、姿态和多模态未来行为的轨迹细化Transformer模型。

论文在Argoverse 2 Sensor和Waymo Open Dataset上进行了实验，发现DeTra在多个指标上都优于现有的最先进方法。论文还进行了大量的消融研究，证明了模型的有效性和设计选择的重要性。

在该领域的相关研究包括：'Probabilistic Future Prediction for Autonomous Driving using Hybrid Trajectory-Image Space Model'、'End-to-End Learning of Driving Models from Large-Scale Video Datasets'、'Convolutional Social Pooling for Vehicle Trajectory Prediction'等。