INFER: INtermediate representations for FuturE pRediction

Robotique
Mar 2019

INFER: INtermediate representations for FuturE pRediction

Mar 2019

Dans les scénarios de conduite urbaine, la prévision des trajectoires futures des véhicules environnants revêt une importance primordiale. Plusieurs approches du problème ont été proposées, mais les plus performantes ont tendance à nécessiter des représentations d’entrée extrêmement détaillées (séquences d’images, par exemple). Cependant, ces méthodes ne se généralisent pas aux ensembles de données sur lesquels elles n’ont pas été formées. Nous proposons des représentations intermédiaires particulièrement bien adaptées aux prévisions futures. Contrairement à l’utilisation d’informations de texture (couleur), nous nous appuyons sur la sémantique et formons un modèle autorégressif pour prédire avec précision les trajectoires futures des participants au trafic (véhicules) (voir la figure ci-dessus). Nous démontrons que l’utilisation de la sémantique donne un avantage considérable par rapport aux techniques qui fonctionnent à l’aide des intensités / disparités de pixels bruts. Peu représentatives des approches les plus modernes, nos représentations et nos modèles se généralisent dans des ensembles de données complètement différents, collectés dans plusieurs villes et au sein des pays où les gens conduisent de part et d’autre de la route (conduite à gauche ou à droite). De plus, nous démontrons une application de notre approche au suivi multi-objet (association de données). Afin de favoriser la recherche dans les représentations transférables et d’assurer la reproductibilité, nous publions tous nos codes et nos données.

Reference

https://arxiv.org/abs/1903.10641

Linked Profiles