OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising

轨迹预测是计算机视觉和自动驾驶中的基础，特别是为了理解行人行为和实现积极的决策。该领域中现有的方法通常假设精确和完整的观测数据，忽略了与视野外物体相关的挑战以及由于摄像机范围有限、物理障碍和缺乏去噪传感器数据的真实数据而产生的噪声。这些疏忽是关键的安全问题，因为它们可能导致重要的、不可见的物体被忽略。为了弥补这个差距，我们提出了一种新颖的视野外轨迹预测方法，利用视觉定位技术。我们的方法以无监督的方式去噪嘈杂的传感器观测，并将视觉轨迹精确地映射到基于传感器的视野外物体轨迹上。该方法在Vi-Fi和JRDB数据集上展示了最先进的视野外嘈杂传感器轨迹去噪和预测性能。通过提高轨迹预测的准确性并解决视野外物体的挑战，我们的工作显著地有助于提高自动驾驶在复杂环境中的安全性和可靠性。我们的工作代表了视野外轨迹预测（OOSTraj）的第一次尝试，为未来的研究设定了新的基准。代码可在\url{https://github.com/Hai-chao-Zhang/OOSTraj}上获得。

本论文旨在解决计算机视觉和自主驾驶中的轨迹预测问题，特别是针对视野外的物体和传感器数据的噪声等挑战。

该论文提出了一种新的方法，利用视觉定位技术进行视野外轨迹预测，通过无监督的方式去噪声，将传感器轨迹精确地映射到视觉轨迹上。

该方法在Vi-Fi和JRDB数据集上展现了出色的性能，提高了轨迹预测的准确性，解决了视野外物体的挑战，为复杂环境下的自主驾驶的安全和可靠性做出了重要贡献。该论文的代码已经开源。

近期在这个领域中的相关研究包括：'End-to-End Learning of Driving Models from Large-scale Video Datasets'和'Multi-Modal Trajectory Prediction with Residual Generative Encoder and Conditional Variational Recurrent Network'等。