ViP3D: 透過3D智體query實現端到端視覺軌跡預測

arXiv論文“ViP3D: End-to-end Visual Trajectory Prediction via 3D Agent Queries“，22年8月2日上傳，清華、上海（姚）期智研究院、CMU、復旦、理想汽車和MIT等的聯合工作。

現有的自主駕駛管線將感知模組與預測模組分開。這兩個模組透過人工選擇的特徵進行通信，如智體框和軌跡作為介面。由於這種分離，預測模組僅從感知模組接收部分資訊。更糟的是，來自感知模組的錯誤可能會傳播和累積，從而對預測結果產生不利影響。

這項工作提出ViP3D，一種視覺軌跡預測管線，利用原始影片的豐富資訊預測場景中智體的未來軌跡。 ViP3D在整個管線中使用稀疏智體query，使其完全可微分和可解釋。此外，提出一種新的端到端視覺軌跡預測任務的評估指標，端到端預測精度（EPA，End-to-end Prediction Accuracy），其在綜合考慮感知和預測精度的同時，對預測軌跡與地面真實軌跡進行評分。

如圖是傳統多步驟級聯流水線與ViP3D的比較：傳統的管線涉及多個不可微模組，例如偵測、追蹤和預測；ViP3D將多視圖視訊作為輸入，以端到端的方式產生預測軌跡，可有效利用視覺訊息，例如車輛轉向訊號。

ViP3D旨在以端到端的方式解決原始影片的軌跡預測問題。具體而言，給定多視圖視訊和高清地圖，ViP3D預測場景中所有智體的未來軌跡。

ViP3D的整體流程如圖所示：首先，基於查詢的追蹤器處理來自周圍攝影機的多視圖視頻，獲得有視覺特徵所追蹤智體的query。智體query中的視覺特徵，捕捉智體的運動動力學和視覺特徵，以及智體之間的關係。之後，軌跡預測器將追蹤智體的query作為輸入，並與HD地圖特徵相關聯，最後輸出預測的軌跡。

基於query的追蹤器從環繞攝影機的原始影片中提取視覺特徵。具體而言，對於每一幀，請按照DETR3D提取影像特徵。對於時域特徵聚合，依照MOTR（「Motr: End-to-end multiple-object tracking with transformer「. arXiv 2105.03247, 2021）設計了一個基於query的追蹤器，包括兩個關鍵步驟：query特徵更新和query監督。智體query會隨時間更新，建模智體的運動動力學。

大多數現有的軌跡預測方法可分為三個部分：智體編碼、地圖編碼和軌跡解碼。在基於query的追蹤之後，獲得被追蹤智體的query，該query可以被視為透過智體編碼獲得的智體特徵。因此，剩下的任務是地圖編碼和軌跡解碼。

分別將預測和真值智體表示為無序集Sˆ和S，其中每個智體由當前時間步的智體座標和K個可能的未來軌跡表示。對於每個智體類型c，計算Scˆ和Sc之間的預測精度。將預測智體和真值智體之間的成本定義為：

這樣Scˆ和Sc之間的EPA定義為：

#實驗結果如下：

#註：這個目標渲染做的不錯。

以上是ViP3D: 透過3D智體query實現端到端視覺軌跡預測的詳細內容。更多資訊請關注PHP中文網其他相關文章！