#論文# CVPR 2023 (Highlight)｜多倫多大學(xué)發(fā)布用于自動駕駛感知和預(yù)測的隱式占用流場

【Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving】

文章鏈接：[2308.01471] Implicit Occupancy Flow Fields for Pe...

項(xiàng)目主頁：https://waabi.ai/implicito/

自動駕駛車輛（SDV）必須能夠感知其周圍環(huán)境并預(yù)測其他交通參與者的未來行為。現(xiàn)有的方法要么進(jìn)行對象檢測，然后對檢測到的對象進(jìn)行軌跡預(yù)測，要么預(yù)測整個(gè)場景的密集占用和流動網(wǎng)格。前一種方法存在安全問題，因?yàn)闉榱诵?，需要將檢測數(shù)量保持在較低水平，從而犧牲了對象的召回率。后一種方法由于輸出網(wǎng)格的高維性，計(jì)算成本很高，并且受到全卷積網(wǎng)絡(luò)固有的有限感受野的影響。

此外，這兩種方法都使用了許多計(jì)算資源來預(yù)測運(yùn)動規(guī)劃器可能永遠(yuǎn)不會查詢的區(qū)域或?qū)ο?。因此，我們提出了一種統(tǒng)一的感知和未來預(yù)測方法，通過單個(gè)神經(jīng)網(wǎng)絡(luò)隱式地表示隨時(shí)間變化的占用率和流量。我們的方法避免了不必要的計(jì)算，因?yàn)樗梢杂蛇\(yùn)動規(guī)劃器在連續(xù)的時(shí)空位置直接查詢。此外，我們設(shè)計(jì)了一種架構(gòu)，通過添加高效且有效的全局注意機(jī)制，克服了先前顯式占用預(yù)測方法的有限感受野。通過在城市和高速公路環(huán)境中進(jìn)行廣泛實(shí)驗(yàn)，我們證明了我們的隱式模型優(yōu)于當(dāng)前的最先進(jìn)技術(shù)。