近年来,行为预测模型已经激增,尤其是在自动驾驶的流行现实机器人技术应用中,代表移动代理可能未来的分布对于安全舒适的运动计划至关重要。在这些模型中,选择代表输入和输出的坐标框架的选择具有至关重要的交易折扣,这些折扣通常属于两个类别之一。以代理为中心的模型转换输入并在以代理为中心的坐标中执行推断。这些模型在场景元素之间的翻译和旋转上本质上不变,在公共排行榜上表现最好,但与代理和场景元素的数量相互缩小。以场景为中心的模型使用固定的坐标系来处理所有代理。这为他们提供了在所有代理之间共享表示形式的优势,并提供有效的摊销推理计算,该计算与代理数量线性缩放。但是,这些模型必须学习场景元素之间的翻译和旋转的不变性,并且通常以表现为中心的模型。在这项工作中,我们在概率运动预测模型之间开发知识蒸馏技术,并应用这些技术来缩小以代理为中心和以场景为中心的模型之间的性能差距。这将以场景为中心的模型性能提高了13.2%,在公共Argoverse基准中,Waymo Open Datatet的7.8%,在大型内部数据集中最多可达9.4%。这些以场景为中心的改进的模型在公共排行榜中排名很高,在繁忙场景中以代理商为中心的教师的效率高15倍。
translated by 谷歌翻译