作者 | 自动驾驶专栏 编辑 | 自动驾驶专栏
点击下方卡片，关注“自动驾驶之心”公众号
戳我-> 领取自动驾驶近15个方向学习路线
本文只做学术分享，如有侵权，联系删文
论文链接：https://arxiv.org/pdf/2403.11695.pdf
摘要
本文介绍了TrajectoryNAS：一种用于轨迹预测的神经结构搜索。自动驾驶系统是一项快速发展的技术，其可以实现无人驾驶汽车的量产。轨迹预测是自动驾驶系统的一个关键组成部分，其使汽车能够预测周围目标的运动，从而实现安全导航。由于使用激光雷达点云数据的轨迹预测提供了3D信息，因此其比使用2D图像的轨迹预测表现更好。然而，处理点云数据比2D图像更复杂、更耗时。因此，使用点云数据的最先进的3D轨迹预测存在速度慢和错误预测等问题。本文引入了TrajectoryNAS，这是一种着重于利用点云数据进行轨迹预测的开创性方法。通过利用神经结构搜索（NAS），TrajectoryNAS自动化轨迹预测模型的设计，以凝聚的方式包含目标检测、跟踪和预测。这种方法不仅解决了这些任务之间复杂的相互依赖关系，还强调了轨迹建模中准确性和效率的重要性。通过实证研究，TrajectoryNAS展现了其在提高自动驾驶系统性能方面的有效性，标志着该领域取得了重大进展。实验结果表明，与其它轨迹预测方法相比，TrajectoryNAS在nuScenes数据集上的准确性至少提高了4.8%，延迟至少降低了1.1倍。
主要贡献
本文的贡献总结如下：
1）本文提出了TrajectoryNAS，它是自动驾驶轨迹预测领域中的先驱工作。与先前工作不同，本文方法是首次以端到端的方式实现神经架构搜索（NAS），包含目标检测、跟踪和预测。这种全面集成解决了子任务（例如点云处理、检测和跟踪）之间的相互依赖性所带来的复杂挑战；
2）本文利用了高效的小型数据集。为了满足与神经结构搜索相关的计算要求，本文方法引入了高效的两步过程。首先，本文采用一个小型数据集来加速最优结构的识别。随后，将识别的结构应用于完整的数据集，以确保可扩展性和准确性。这种精简的方法在处理大量数据集时特别有价值；
3）本文设计了开创性的多目标能量函数：本项工作的一个关键创新点是引入一种新的多目标能量函数。该能量函数考虑了目标检测、跟踪、预测和时间约束。通过将这些不同的要素加入一个统一的框架中，本文方法超越了那些通常忽略这些目标之间复杂关系的现有方法。新的能量函数增强了TrajectoryNAS的预测能力，提高了其在现实世界场景中的性能。
论文图片和表格
总结
本文提出了TrajectoryNAS，这是一种自动模型设计方法，其显著增强了自动驾驶的3D轨迹预测。通过在考虑关键性能指标的同时对速度和准确性进行优化，TrajectoryNAS在nuScenes数据集上的准确性至少提高了4.8%，延迟至少降低了1.1倍，其优于现有方法。
投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！
① 全网独家视频课程
BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）
② 国内首个自动驾驶学习社区
国内最大最专业，近2700人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型、端到端等，更有行业动态和岗位发布！欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频
③【自动驾驶之心】技术交流群
自动驾驶之心是首个自动驾驶开发者社区，聚焦2D/3D目标检测、语义分割、车道线检测、目标跟踪、BEV感知、多模态感知、Occupancy、多传感器融合、transformer、大模型、在线地图、点云处理、端到端自动驾驶、SLAM与高精地图、深度估计、轨迹预测、NeRF、Gaussian Splatting、规划控制、模型部署落地、cuda加速、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向。扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）
④【自动驾驶之心】平台矩阵，欢迎联系我们！
扫一扫
1500
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
