MS-Net: A Multi-Path Sparse Model for Motion Prediction in Multi-Scenes

基本信息

1. 期刊：IEEE ROBOTICS AND AUTOMATION LETTERS （IF 4.6 SCI3區）
2. 單位：同濟大學，上海人工智能實驗室
3. 時間：2023年12月
4. 數據集： ETH, UCY, and INTERACTION datasets
5. 代碼：未開源

摘要

1. 運動模式的多元和隨機性，導致預測任務非常具有挑戰性，但是又是自動駕駛非常重要的一環
2. 深度學習在這個任務上表現出了巨大的潛力，但是
3. 目前在多個駕駛場景(合流，環路，交叉路口)之間的聯系是什么，來設計一個網絡模型
4. 目前，大多數是采用了一個統一的模型來建模多個場景，這可能不是最優的結果，針對單個場景來說。
5. 為了解決這個問題，我們提出了多場景網絡(又名。MS-Net)，這是一個由進化過程訓練的多路徑稀疏模型。
6. MS-Net在推理階段選擇性地激活其參數的一個子集，從而為每個場景產生預測結果
7. 在訓練階段，將不同場景下的運動預測任務抽象為一個多任務學習問題，設計了一種進化算法，在不同場景之間共享常識的同時，鼓勵網絡搜索每個場景的最優參數
8. 我們的實驗結果表明，在大大減少參數的情況下，MS-Net在成熟的行人運動預測數據集上優于現有的最先進的方法，例如，ETH和UCY，并在互動挑戰中排名第二。

1. 從上述圖片中可以看出，有公用的層 layer 0 作為常識，也有特色的層，針對單獨的場景。

Evolutionary Training Stage

1. 設計知識轉移和模型進化 有點意思 我還不懂 下次看

閱讀時間

2024年6月29日