摘要
我们提出了一种通过估计并利用观测智能体（如行人或车辆）在多个时间尺度上的目标来预测其未来轨迹的方法。我们认为，移动智能体的目标可能随时间发生变化，因此对目标进行连续建模能够为未来轨迹预测提供更准确、更细致的信息。为此，我们提出了一种用于轨迹预测的循环神经网络，称为分步目标驱动网络（Stepwise Goal-Driven Network, SGNet）。与以往仅建模单一长期目标的工作不同，SGNet能够在多个时间尺度上估计并利用目标信息。具体而言，该网络包含一个编码器以捕捉历史运动信息，一个分步目标估计器用于预测未来一系列连续的目标，以及一个解码器用于生成未来的轨迹。我们在三个第一人称视角交通数据集（HEV-I、JAAD 和 PIE）以及三个鸟瞰视角数据集（NuScenes、ETH 和 UCY）上对模型进行了评估，结果表明，我们的方法在所有数据集上均取得了当前最优的性能。代码已公开，地址为：https://github.com/ChuhuaW/SGNet.pytorch。