轨迹NAS:一个神经架构 寻找轨迹预测

科学领域:

• 自主驾驶系统 自主驾驶系统
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 轨迹预测对于安全的自主导航至关重要,LiDAR数据与2D摄像头相比,提供了优越的3D环境感知.
• 目前基于LiDAR的轨迹预测方法面临着由于低效架构的计算成本,缓慢推断和精度限制的挑战.

研究的目的:

• 引入TrajectoryNAS,一种新的神经架构搜索 (NAS) 方法,用于开发高效和准确的基于LiDAR的轨迹预测模型.
• 通过解决神经架构设计,优化完整的端到端轨迹预测管道,包括对象检测和跟踪.

主要方法:

• 轨迹NAS使用元启发算法来系统地搜索和优化用于轨迹预测的神经网络架构.
• 引入了一个多目标能量函数,平衡预测准确性和计算效率 (延迟).
• 该方法考虑了预测管道的所有堆叠组件,以最大限度地减少准确性损失和空头延迟.

主要成果:

• 轨迹NAS通过改善轨迹预测,显著提高自动驾驶系统的性能.
• 对NuScenes数据集的实验结果显示,TrajectoryNAS比竞争方法达到至少4.8%的更高准确度和1.1倍的更低延迟.
• 优化的模型在预测周围物体轨迹方面表现出卓越的效率和准确性.

结论:

• 轨迹NAS代表了基于LiDAR的自动驾驶汽车轨迹预测的重大进展.
• 该NAS方法有效地解决了手工架构的局限性,从而导致更强大和更高性能的系统.
• 开发的模型为提高自动驾驶技术的安全性和可靠性提供了一个有希望的解决方案.