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区）
2. 单位：同济大学，上海人工智能实验室
3. 时间：2023年12月
4. 数据集： ETH, UCY, and INTERACTION datasets
5. 代码：未开源

摘要

1. 运动模式的多元和随机性，导致预测任务非常具有挑战性，但是又是自动驾驶非常重要的一环
2. 深度学习在这个任务上表现出了巨大的潜力，但是
3. 目前在多个驾驶场景(合流，环路，交叉路口)之间的联系是什么，来设计一个网络模型
4. 目前，大多数是采用了一个统一的模型来建模多个场景，这可能不是最优的结果，针对单个场景来说。
5. 为了解决这个问题，我们提出了多场景网络(又名。MS-Net)，这是一个由进化过程训练的多路径稀疏模型。
6. MS-Net在推理阶段选择性地激活其参数的一个子集，从而为每个场景产生预测结果
7. 在训练阶段，将不同场景下的运动预测任务抽象为一个多任务学习问题，设计了一种进化算法，在不同场景之间共享常识的同时，鼓励网络搜索每个场景的最优参数
8. 我们的实验结果表明，在大大减少参数的情况下，MS-Net在成熟的行人运动预测数据集上优于现有的最先进的方法，例如，ETH和UCY，并在互动挑战中排名第二。

1. 从上述图片中可以看出，有公用的层 layer 0 作为常识，也有特色的层，针对单独的场景。

Evolutionary Training Stage

1. 设计知识转移和模型进化 有点意思 我还不懂 下次看

阅读时间

2024年6月29日