• 论文链接：https://arxiv.org/pdf/2403.11695.pdf

本文介绍了TrajectoryNAS：一种用于轨迹预测的神经结构搜索。自动驾驶系统是一项快速发展的技术，其可以实现无人驾驶汽车的量产。轨迹预测是自动驾驶系统的一个关键组成部分，其使汽车能够预测周围目标的运动，从而实现安全导航。由于使用激光雷达点云数据的轨迹预测提供了3D信息，因此其比使用2D图像的轨迹预测表现更好。然而，处理点云数据比2D图像更复杂、更耗时。因此，使用点云数据的最先进的3D轨迹预测存在速度慢和错误预测等问题。本文引入了TrajectoryNAS，这是一种着重于利用点云数据进行轨迹预测的开创性方法。通过利用神经结构搜索（NAS），TrajectoryNAS自动化轨迹预测模型的设计，以凝聚的方式包含目标检测、跟踪和预测。这种方法不仅解决了这些任务之间复杂的相互依赖关系，还强调了轨迹建模中准确性和效率的重要性。通过实证研究，TrajectoryNAS展现了其在提高自动驾驶系统性能方面的有效性，标志着该领域取得了重大进展。实验结果表明，与其它轨迹预测方法相比，TrajectoryNAS在nuScenes数据集上的准确性至少提高了4.8%，延迟至少降低了1.1倍。

主要贡献

本文的贡献总结如下：

本文介绍了TrajectoryNAS，它在自动驾驶轨迹预测领域具有开创性意义。与先前研究不同，本文方法首次以端到端的方式实现了神经架构搜索（NAS），涵盖了目标检测、跟踪和预测。这种综合性方法解决了子任务之间相互依赖性带来的复杂挑战，如点云处理、检测和跟踪。

文章利用了高效的小型数据集，并引入了高效的两步过程以满足与神经结构搜索相关的计算需求。首先，采用小型数据集加速最优结构的识别，然后将识别的结构应用于完整数据集，确保可扩展性和准确性。这种简化方法在处理大量数据集时尤为重要。

在这项工作中，作者提出了一种创新的多目标能量函数，这是本研究的重要亮点。该能量函数综合考虑了目标检测、跟踪、预测和时间约束等因素。通过将这些不同要素融合到一个统一的框架中，该方法超越了现有方法中常被忽视的目标之间复杂关系。新的能量函数的引入增强了TrajectoryNAS的预测能力，提高了其在实际场景中的性能表现。

论文图片和表格

总结

本文提出了TrajectoryNAS，这是一种自动模型设计方法，其显著增强了自动驾驶的3D轨迹预测。通过在考虑关键性能指标的同时对速度和准确性进行优化，TrajectoryNAS在nuScenes数据集上的准确性至少提高了4.8%，延迟至少降低了1.1倍，其优于现有方法。