wholetus的博客

首先采用无锚查询以递归的方式生成轨迹建议，这允许模型在解码不同地平线上的路点时利用不同的场景上下文。通过向细化模块提供自适应和高质量的锚点，我们的基于查询的解码器可以更好地处理轨迹预测输出中的多模态。提出一个lstm的encoder和decoder，用cnn social pooling替换social pooling来更健壮的学习车辆运动过程中的相互依赖性，加cnn的好处是：cnn能感知局部车辆相对位置来弥补lstm不能感知相对位置的缺点。另外，模型基于机动类输出一个多模态的预测分布在未来轨迹上。

提出了一种几何引导的核变换器（Geometry-guided Kernel Transformer：GKT）

车道线检测

Pedestrian Graph +: A Fast Pedestrian Crossing Prediction Model Based on Graph Convolutional Network