Système neuronal génératif conditionnel pour la prédiction trajectorielle probabiliste

Une compréhension efficace de l'environnement et une prédiction précise des trajectoires des obstacles dynamiques environnants sont cruciales pour les systèmes intelligents tels que les véhicules autonomes et les robots mobiles à roues naviguant dans des scénarios complexes afin d'atteindre une prise de décision, une planification de mouvement et un contrôle sûrs et de haute qualité. En raison de la nature incertaine du futur, il est souhaitable d'effectuer des inférences sous un angle probabiliste plutôt que de faire des prédictions déterministes. Dans cet article, nous proposons un système neuronal génératif conditionnel (CGNS) pour la prédiction probabiliste des trajectoires afin d'approcher la distribution des données, ce qui permet de générer des hypothèses de trajectoire futures réalistes, réalisables et diversifiées. Le système combine les avantages de l'apprentissage conditionnel dans l'espace latent et de la minimisation de la divergence variationnelle, tout en exploitant à la fois le contexte statique et les informations d'interaction grâce à des mécanismes d'attention douce. Nous proposons également une méthode de régularisation pour intégrer des contraintes douces dans les réseaux neuronaux profonds à l'aide de fonctions barrière différentiables, ce qui peut réguler et pousser les échantillons générés vers les zones réalisables. Le système proposé a été évalué sur plusieurs jeux de données publics pour la prédiction des trajectoires piétonnes ainsi que sur un jeu de données naturelles collectées par nos soins concernant la conduite sur un giratoire. Les résultats expérimentaux montrent que notre modèle obtient une meilleure performance que diverses approches baselines en termes de précision de prédiction.