本文经自动驾驶之心公众号授权转载，转载请联系出处。
- 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：
1）本文提出了TrajectoryNAS，它是自动驾驶轨迹预测领域中的先驱工作。与先前工作不同，本文方法是首次以端到端的方式实现神经架构搜索（NAS），包含目标检测、跟踪和预测。这种全面集成解决了子任务（例如点云处理、检测和跟踪）之间的相互依赖性所带来的复杂挑战；
2）本文利用了高效的小型数据集。为了满足与神经结构搜索相关的计算要求，本文方法引入了高效的两步过程。首先，本文采用一个小型数据集来加速最优结构的识别。随后，将识别的结构应用于完整的数据集，以确保可扩展性和准确性。这种精简的方法在处理大量数据集时特别有价值；
3）本文设计了开创性的多目标能量函数：本项工作的一个关键创新点是引入一种新的多目标能量函数。该能量函数考虑了目标检测、跟踪、预测和时间约束。通过将这些不同的要素加入一个统一的框架中，本文方法超越了那些通常忽略这些目标之间复杂关系的现有方法。新的能量函数增强了TrajectoryNAS的预测能力，提高了其在现实世界场景中的性能。
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。
