ViP3D: 通过3D智体query实现端到端视觉轨迹预测

arXiv论文“ViP3D: End-to-end Visual Trajectory Prediction via 3D Agent Queries“，22年8月2日上传，清华、上海（姚）期智研究院、CMU、复旦、理想汽车和MIT等的联合工作。

现有的自主驾驶流水线将感知模块与预测模块分开。这两个模块通过人工选择的特征进行通信，如智体框和轨迹作为接口。由于这种分离，预测模块仅从感知模块接收部分信息。更糟糕的是，来自感知模块的错误可能会传播和累积，从而对预测结果产生不利影响。

这项工作提出ViP3D，一种视觉轨迹预测流水线，利用原始视频的丰富信息预测场景中智体的未来轨迹。ViP3D在整个流水线中使用稀疏智体query，使其完全可微分和可解释。此外，提出一种新的端到端视觉轨迹预测任务的评估指标，端到端预测精度（EPA，End-to-end Prediction Accuracy），其在综合考虑感知和预测精度的同时，对预测轨迹与地面真实轨迹进行评分。

如图是传统多步级联流水线与ViP3D的比较：传统的流水线涉及多个不可微模块，例如检测、跟踪和预测；ViP3D将多视图视频作为输入，以端到端的方式生成预测轨迹，可有效利用视觉信息，比如车辆转向信号。

ViP3D旨在以端到端的方式解决原始视频的轨迹预测问题。具体而言，给定多视图视频和高清地图，ViP3D预测场景中所有智体的未来轨迹。

ViP3D的总体流程如图所示：首先，基于查询的跟踪器处理来自周围摄像机的多视图视频，获得有视觉特征所跟踪智体的query。智体query中的视觉特征，捕获智体的运动动力学和视觉特征，以及智体之间的关系。之后，轨迹预测器将跟踪智体的query作为输入，并与HD地图特征相关联，最后输出预测的轨迹。

基于query的跟踪器从环绕摄像机的原始视频中提取视觉特征。具体而言，对于每一帧，按照DETR3D提取图像特征。对于时域特征聚合，按照MOTR（“Motr: End-to-end multiple-object tracking with transformer“. arXiv 2105.03247, 2021）设计了一个基于query的跟踪器，包括两个关键步骤：query特征更新和query监督。智体query会随时间更新，建模智体的运动动力学。

大多数现有的轨迹预测方法可分为三个部分：智体编码、地图编码和轨迹解码。在基于query的跟踪之后，获得被跟踪智体的query，该query可以被视为通过智体编码获得的智体特征。因此，剩下的任务是地图编码和轨迹解码。

分别将预测和真值智体表示为无序集Sˆ和S，其中每个智体由当前时间步的智体坐标和K个可能的未来轨迹表示。对于每个智体类型c，计算Scˆ和Sc之间的预测精度。将预测智体和真值智体之间的成本定义为：

这样Scˆ和Sc之间的EPA定义为：

实验结果如下：

注：这个目标渲染做的不错。