[控场AI]
· 3 分钟阅读· 1,803 字

观测频率降低后,学习型轨迹预测还比运动学模型强吗?

观测频率降低后,学习型轨迹预测还比运动学模型强吗?

低频观测削弱但未消除学习型轨迹预测器对运动学模型的优势。

该研究在 Argoverse 2 数据集上系统评估了观测频率下降对轨迹预测的影响,将焦点智能体 5 秒历史从 10 Hz 下采样至 5/2/1 Hz,预测未来 6 秒且不使用地图与邻近智能体。对比频率特定 LSTM、10 Hz 模型加线性插值以及 CV/CA 运动学模型。结果显示:频率特定 RNN 的 ADE 分别增加 3.1%、10.1%、20.3%;学习型模型对运动学模型的优势在直线和转弯场景下均保持 24-30%,未随稀疏化消失;插值策略在 2 Hz 时损失仅 1.3%,但 1 Hz 时达 11.5%;行人预测中 CV 模型更准。所有假设仅部分成立,强调需在真实频率下评估。

引言

自动驾驶轨迹预测模型通常基于固定采样频率的数据训练,而通过车联网(V2X)通信接收的位置信息频率往往更低(1-10 Hz)。当历史观测频率下降时,仅依赖观测历史的学习型预测器是否还能保持对恒定速度(CV)和恒定加速度(CA)模型的优势?一项在 Argoverse 2 数据集上的研究对此进行了系统评估,结果部分挑战了直觉。

研究来源截图

实验设置

研究聚焦于 Argoverse 2 运动预测数据集,将焦点智能体 5 秒的历史轨迹从 10 Hz 下采样至 5 Hz、2 Hz 和 1 Hz,并预测未来 6 秒的轨迹,且不使用地图或邻近智能体信息。

对比模型包括:

  • 针对每个频率单独训练的基于 LSTM 的循环神经网络(RNN)
  • 在 10 Hz 数据上训练、通过线性插值应用于稀疏历史的同一网络
  • 恒定速度(CV)和恒定加速度(CA)运动学模型

研究预先固定了假设和阈值,主 RNN 采用十个随机种子训练,并在 24,984 个测试场景上评估,结果提供了跨场景和种子的自举置信区间。

恒定速度(CV)与恒定加速度(CA)模型是轨迹预测中最基础的物理运动学基线。CV 模型假设目标保持当前速度矢量不变,未来位置由线性外推得到;CA 模型则进一步假设加速度恒定,通过二次多项式外推轨迹。两者均不依赖训练数据,仅需最近若干帧的位置即可估计速度与加速度,因此在低频观测下依然可用。在 Argoverse 2 等基准中,CV/CA 常作为衡量学习型模型是否真正学到复杂模式的参照——若学习型模型在稀疏观测下仍优于它们,说明其捕捉到了运动学外的高阶行为(如交互、意图)。

**自举置信区间(bootstrap confidence interval)**是一种非参数统计方法:从原始样本中有放回地重复抽取大量子样本,对每个子样本计算目标统计量(如平均位移误差),由这些统计量的经验分布得到区间估计。本研究中,作者同时在场景维度和随机种子维度上进行自举,以量化评估结果的不确定性。相比正态近似,自举法不依赖误差分布假设,适合位移误差这类偏态指标,也能让“优势为 24-30%”这类结论具备统计显著性支撑。

主要发现

学习型模型的误差随频率降低而增长

频率特定 RNN 的平均位移误差在 5 Hz 时增加 3.1%,2 Hz 时增加 10.1%,1 Hz 时增加 20.3%。这表明观测稀疏化确实损害了学习型模型的精度,但性能衰减是渐进的。

对运动学模型的优势并未消失

与假设相反,学习型模型相对于更优运动学模型的优势在直线运动上并未消失。在每一个频率下,无论是直线运动还是转弯,其优势均为 24-30%。不过,对于行人,CV 模型更为准确。这一发现说明学习型模型在稀疏观测下仍能捕捉到运动学模型无法建模的复杂模式。

插值策略在中等稀疏度下有效

使用 10 Hz 模型加线性插值的方法,在降至 2 Hz 时精度损失最多 1.3%,但在 1 Hz 时精度损失达 11.5%。这意味着对于中等程度的频率降低,插值是一种可行的折中方案;但在极低频率下,专门针对该频率训练模型更为必要。

**平均位移误差(Average Displacement Error, ADE)**是轨迹预测的标准指标,定义为预测轨迹与真实轨迹在各时间步上欧氏距离的平均值。与之常配套的还有最终位移误差(FDE),即预测终点与真实终点的距离。ADE 对整段轨迹的偏差敏感,能反映模型在预测时域内的整体精度。本研究中未来 6 秒的预测窗口内,ADE 的百分比变化被用作衡量频率下降影响的核心量度,因此 3.1%、10.1%、20.3% 的增幅均指相对于 10 Hz 基线的 ADE 增长。

结论与启示

研究表明,观测频率降低会削弱但不会消除学习型轨迹预测器的优势。对于自动驾驶系统设计者而言,这意味着在 V2X 通信频率受限的场景中,学习型模型仍值得采用,但需针对实际频率进行训练或采用适当的插值策略。同时,行人预测可能更适合运动学模型,提示需根据目标类型灵活选择方法。

每个假设都只得到部分支持,这强调了在真实部署条件下进行系统性评估的重要性,而非依赖固定频率基准上的结论。

#轨迹预测#学习型模型#运动学模型#观测频率#Argoverse 2#自动驾驶#V2X
分享:

相关推荐