大疆 基于自顺应交互模态探求的预测与决策 港科技&
本文引见了基于自顺应交互模态探求的多模态集成的预测与决策。因为多模态交互的复杂性，在拥挤且灵活的环境中导航给智能驾驶系统带来了严重应战，其中各种交通介入者和智能驾驶车辆的行为是复杂的，并且是隐式耦合的。本文提出了一种新的框架，即多模态集成的预测与决策（MIND），其经过高效地生成涵盖多种不同交互模态的联结预测和决策来处置这些应战。详细而言，MIND应用基于学习的场景预测来取得具备社会分歧性交互模态的集成预测和决策，并且应用模态感知灵活分支机制来生成场景树，该场景树高效地捕捉不同交互模态的演化，其在规划范围内交互不确定性的变动较小。交互不确定性下的应急规划无缝地利用场景树来取得明白且思考多模态演化的行为。基于事实环球驾驶数据集的闭环仿真中的综合试验结果标明，本文方法在各种驾驶环境下的性能优于其它弱小的基线。
关键奉献
1）本文设计了一种场景预测网络，并且将其与具备灵活分支机制的树搜查技术相结合，从而取得笼罩范围更广的场景树，用于探求环球的演化；
2）关于场景树中的多种潜在未来变动，本文应用应急规划来人造地生成针对从根开局的每个分支的最优轨迹树，从而确定最佳决策；
3）本文经过各种试验评价MIND，结果标明，在不同的驾驶场景中优于其它基线，展现了其在复杂状况下的有效性。
论文图片和表格
总结
本文引入了MIND框架，其作为灵活交互环境中成功智能驾驶同时预测与决策的综合方法。该框架系统性地结合了场景预测网络、自顺应交互模态探求机制和应急规划，以在处置多模态未来演化的同时，在复杂交互场景中生成正当的行为。与最新技术的宽泛定量比拟以及定性试验证实了本文方法的优越性。展望未来，本文旨在将所提出的框架裁减到事实环球运行中。
