MANTRA：用于多轨迹预测的记忆增强网络

弗朗西斯科·马切蒂、费德里科·贝卡蒂尼、洛伦佐·塞德纳里、阿尔贝托·德尔·宾博; 《IEEE/CFF计算机视觉与模式识别会议论文集》，2020年，第7143-7152页

摘要

预计自动驾驶汽车将与几个独立的非合作代理在复杂场景中驾驶。在这种环境中安全导航的路径规划不能仅仅依赖于感知其他代理的当前位置和运动。相反，它需要在足够远的将来预测这些变量。本文利用记忆增强神经网络解决多模态轨迹预测问题。我们的方法使用递归神经网络学习过去和未来的轨迹嵌入，并利用关联外部存储器存储和检索这些嵌入。然后，通过解码内存中与观察到的过去条件一致的未来编码来执行轨迹预测。我们通过在语义场景地图上学习CNN，将场景知识纳入解码状态。通过学习基于现有嵌入的预测能力的写入控制器，内存增长受到限制。我们表明，我们的方法能够在三个数据集上原生地执行多模态轨迹预测，从而获得最先进的结果。此外，由于内存模块的非参数特性，我们展示了经过训练的系统如何通过吸收新的模式来不断改进。

相关材料

[pdf格式][arXiv公司]
[围巾]
@会议记录{Marchetti_2020_CVPR，
author={马切蒂、弗朗西斯科和贝卡蒂尼、费德里科和塞德纳里、洛伦佐和宾博、阿尔贝托·德尔}，
title={MANTRA:用于多轨迹预测的记忆增强网络}，
booktitle={IEEE/CVF计算机视觉和模式识别（CVPR）会议记录}，
月={6月}，
年份={2020年}
}