MSTF: 不完整轨迹预测的多尺度变换器
原文中文,约400字,阅读约需1分钟。发表于: 。我们提出了一个用于不完整轨迹预测的端到端框架 Multiscale Transformer(MSTF),该框架整合了 Multiscale Attention Head(MAH)和 Information Increment-based Pattern Adaptive(IIPA)模块,并通过两个大规模真实世界数据集的实验结果证明了其在自主驾驶系统的运动预测中成功解决了由缺失值引起的挑战。
本论文介绍了MFTraj,一种自主驾驶轨迹预测模型,能够在动态交通场景中捕捉复杂的交互作用,无需高清地图。该模型结合历史轨迹数据和基于动态几何图的行为感知模块,通过自适应的结构感知交互图卷积网络捕捉道路用户的位置和行为特征。评估结果表明,MFTraj在数据有限的情况下,甚至无需额外信息,也能胜过许多基准模型,为自主驾驶轨迹预测带来了显著进步。