本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

• 論文鏈接：https://arxiv.org/pdf/2403.11695.pdf

本文介紹了TrajectoryNAS：一種用于軌跡預測的神經結構搜索。自動駕駛系統是一項快速發展的技術，其可以實現無人駕駛汽車的量產。軌跡預測是自動駕駛系統的一個關鍵組成部分，其使汽車能夠預測周圍目標的運動，從而實現安全導航。由于使用激光雷達點云數據的軌跡預測提供了3D信息，因此其比使用2D圖像的軌跡預測表現更好。然而，處理點云數據比2D圖像更復雜、更耗時。因此，使用點云數據的最先進的3D軌跡預測存在速度慢和錯誤預測等問題。本文引入了TrajectoryNAS，這是一種著重于利用點云數據進行軌跡預測的開創性方法。通過利用神經結構搜索（NAS），TrajectoryNAS自動化軌跡預測模型的設計，以凝聚的方式包含目標檢測、跟蹤和預測。這種方法不僅解決了這些任務之間復雜的相互依賴關系，還強調了軌跡建模中準確性和效率的重要性。通過實證研究，TrajectoryNAS展現了其在提高自動駕駛系統性能方面的有效性，標志著該領域取得了重大進展。實驗結果表明，與其它軌跡預測方法相比，TrajectoryNAS在nuScenes數據集上的準確性至少提高了4.8%，延遲至少降低了1.1倍。

主要貢獻

本文的貢獻總結如下：

1）本文提出了TrajectoryNAS，它是自動駕駛軌跡預測領域中的先驅工作。與先前工作不同，本文方法是首次以端到端的方式實現神經架構搜索（NAS），包含目標檢測、跟蹤和預測。這種全面集成解決了子任務（例如點云處理、檢測和跟蹤）之間的相互依賴性所帶來的復雜挑戰；

2）本文利用了高效的小型數據集。為了滿足與神經結構搜索相關的計算要求，本文方法引入了高效的兩步過程。首先，本文采用一個小型數據集來加速最優結構的識別。隨后，將識別的結構應用于完整的數據集，以確保可擴展性和準確性。這種精簡的方法在處理大量數據集時特別有價值；

3）本文設計了開創性的多目標能量函數：本項工作的一個關鍵創新點是引入一種新的多目標能量函數。該能量函數考慮了目標檢測、跟蹤、預測和時間約束。通過將這些不同的要素加入一個統一的框架中，本文方法超越了那些通常忽略這些目標之間復雜關系的現有方法。新的能量函數增強了TrajectoryNAS的預測能力，提高了其在現實世界場景中的性能。

論文圖片和表格

總結

本文提出了TrajectoryNAS，這是一種自動模型設計方法，其顯著增強了自動駕駛的3D軌跡預測。通過在考慮關鍵性能指標的同時對速度和準確性進行優化，TrajectoryNAS在nuScenes數據集上的準確性至少提高了4.8%，延遲至少降低了1.1倍，其優于現有方法。