自动驾驶领域中的行为预测问题的难点在于周围行人、车辆的不确定性和各种规则之外的行为。这些状况难以用规则进行总结，因此最近研发人员们开始利用基于数据驱动的深度学习的方法，以达到更加合理的预测效果。在这方面，来自 Waymo 和谷歌的团队提出了一系列用于自动驾驶行为预测的模型，让无人车理解抽象的道路环境，并实现对车辆、行人的多可能性预测。

在今年 6 月的一篇 CVPR 论文中，这个团队首先提出了一个全新模型 VectorNet。在该模型中，团队首次提出了一种抽象化认识周围环境信息的做法：用向量（vector）来简化地表达地图信息和移动物体，这一做法抛开了传统的用图片渲染的方式，达到了降低数据量、计算量的效果。Waymo 也在其博客文章中明确表示，该技术提高了其行为预测的精准度。

近日，这个团队公布了进一步的工作，提出了 TNT (Target-driveN Trajectory Predictio)。TNT 是一种目的地引导的轨迹预测方法，运用了监督学习的方法对车辆和行人进行多轨迹回归，最终的模型能够输出多个未来轨迹的预测，同时明确指出各个轨迹可能性。论文中介绍，TNT 在公开数据集 Argoverse 的测试表现与冠军结果相当，同时在 INTERACTION、Stanford Drone，以及 Waymo 内部数据集中取得了非常好的效果。

目前该论文已经被国际机器人学习会议 CoRL（Conference on Robot Learning）接收。

内容中包含的图片若涉及版权问题，请及时与我们联系删除