Waymo与谷歌提出TNT模型，实现自动驾驶多轨迹行为预测( 二 ) 导读：Waymo近期宣布在凤凰城地区开放

近两年的论文内容显示，很多团队正在尝试使用生成模型来进行多轨迹预测。即利用如 GAN ， VAE 等模型在隐空间 latent space 进行采样，得到周围目标在特定场景下的多种潜在选择。
但依靠生成模型的问题在于，样本采集存在很大的随机性，这对一个要求可靠的系统来说是难以接受的。假设前方来车左拐的可能性有 90% ，右拐的可能性有 10% ，用采样的方法很有可能我们采样三次得到的都是左拐，而忽略了它往右拐的可能性。在自动驾驶领域，依靠这种方式的行为预测难以进行实际应用。
用监督学习实现精准预测该团队提出的 TNT 首次运用了监督学习的方法对车辆和行人进行多轨迹预测，是一种目的地引导的轨迹预测方法。其模型的最大贡献，就是能够不依靠采样，纯靠监督学习来进行多轨迹的行为预测。
具体来说，该模型的行为预测按顺序分为三步，每一步都有着特定目标：1、利用地图的先验信息，离散化并预测目的地；2、在预测目的地基础之上，进一步预测目标的运行轨迹；3、在预测出多条运行轨迹当中，对每条轨迹进行筛选和打分，预测出各个选择的可能性，也同时选择出可能性最高的几个运行轨迹。
文章插图
在技术层面，运用监督学习的好处在于能够让最终的模型给出多个未来轨迹的预测，同时明确指出各个轨迹可能性。比如在输出三个轨迹的情况下，模型能够明确指出， 30% 可能性左转、30% 可能性右转，直行的可能性为 40% 。这样的预测结果就能真正地被决策系统所使用。
在最终的表现上，单个 TNT 模型的行为预测准确性在公开数据集 Argoverse 的测试表现与冠军结果相当，同时在 INTERACTION、Stanford Drone 等测试中取得了非常好的效果。
文章插图
图｜论文作者团队，左至右分别为赵行、高继扬、孙晨
论文核心作者来自 Waymo 和谷歌。其中，赵行是 Waymo 研究科学家，本科毕业于浙江大学，在麻省理工学院获得博士学位；高继扬目前是 Waymo 的高级工程师，本科毕业于清华大学，后在美国南加州大学获博士学位；孙晨本科同样就读于清华大学，后博士毕业于南加州大学，目前在谷歌任研究科学家。