車輛軌迹預測有效，但并非無處不在
原文連結
[2112.03909] Vehicle trajectory prediction works, but not everywhere (arxiv.org)
研究背景
現有預測模型無法推廣到新的場景中，由于場景生成方法改變了場景，使得訓練過程中幾乎不包含關于未來軌迹的資訊，是以導緻在新場景中魯棒性差
研究問題
如何有效生成有效的真實的新場景？
如何評估現有軌迹預測模型？如何證明生成場景的真實性？
能否利用生成的場景提高預測模型的魯棒性？
解決方案
對抗性自動生成逼真場景
搜尋方法尋找具有挑戰性的真實駕駛場景，具體到每個軌迹預測模型
效果
使用在Argoverse公共資料集上訓練的三種最先進的軌迹預測模型（LanGCN,DATF,WIMP)，研究模型可轉移性魯棒性，LaneGCN微調後魯棒性增加，DATF，WIMP魯棒性不佳
證明實體限制是使場景可行的必要條件
LaneGCN(圖卷積網絡): Argoverse預測挑戰的首選方法之一，是一個多模态預測模型，同時還提供了各模态的機率，考慮機率最大的模态
DATF ：一種基于流量的方法，使用交叉熵損失來鼓勵産生對道路的預測。由于該多态模型不提供每一模态的機率，是以考慮最接近基本事實的機率 Diverse and admisible trajectory forecasting through multimodal context understanding.通過多模态語境了解進行多元可接受軌迹預測
WIMP：一種使用場景關注子產品和動态互動圖來捕捉幾何關系和社會關系。由于該多态模型不提供每一模态的機率，是以考慮最接近基本事實的機率 What-if motion prediction for autonomous driving.
熱度圖表明，模型更容易受到較大的轉換參數的影響。紅色表示在這些場景中有更多的越野預測，綠色表示更高的可接受性。通常模型在高曲率時輪流失效。例如，更劇烈的轉彎。此外，它顯示更多的越野在左轉彎比右轉彎。這可能是由于資料集中的偏差。在魯棒模型中可以看到一個明顯的改進
HOR：offroad在預測軌迹點中至少發生一次offroad的場景百分比
SOR：offroad預測點占所有預測點的百分比
算法：
算法被Kmax疊代，每次疊代中，選擇一個變換函數，然後由變換函數生成相應的場景，然後對觀測軌迹進行縮放以確定場景的可行性。接下來在新場景中預測，并用于計算loss，最佳損失決定最終生成的場景