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。

为自动驾驶汽车做出安全决策需要准确预测周围智能体的未来轨迹。近年来，基于学习的方法已被广泛用于轨迹预测。尽管在提高模型的预测能力方面做出了相当大的努力，但距离完全解决轨迹预测问题还有很长的路要走。为什么这项任务如此具有挑战性，现有方法又有什么不足之处？尽管蓬勃发展的预测模型在轨迹预测基准上取得了令人印象深刻的性能，但今天专门用于这项任务的最先进的架构无法有效地处理永恒的交通场景。在自动驾驶系统中，数据帧作为稀疏场景上下文流依次到达预测模块，包括高清晰度矢量图和周围代理的运动状态。

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

Convolutional Social Pooling for Vehicle Trajectory Prediction