Mejorando las Predicciones de Movimiento de Actores de Tráfico en Modelos de Vista Aérea utilizando GANs y Rasterización de Trayectorias Diferenciables

Una de las piezas más críticas del rompecabezas de la conducción autónoma es la tarea de predecir el movimiento futuro de los actores de tráfico circundantes, lo que permite al vehículo autónomo planificar de manera segura y efectiva su futura ruta en un mundo complejo. Recientemente, se han propuesto una serie de algoritmos para abordar este importante problema, impulsados por un creciente interés de investigadores tanto de la industria como de la academia. Los métodos basados en rasterización de escenas de arriba hacia abajo por un lado y Redes Generativas Adversariales (GANs) por el otro han demostrado ser particularmente exitosos, obteniendo precisiones de última generación en la tarea de predicción del movimiento del tráfico. En este artículo, nos basamos en estas dos direcciones y proponemos una arquitectura GAN condicional basada en rasterización, impulsada por un nuevo módulo rasterizador diferenciable en la entrada del discriminador condicional que mapea trayectorias generadas al espacio rasterizado de manera diferenciable. Esto simplifica la tarea para el discriminador, ya que las trayectorias que no cumplen con la escena son más fáciles de discernir, y permite que los gradientes fluyan hacia atrás, forzando al generador a producir trayectorias mejores y más realistas. Evaluamos el método propuesto en un conjunto de datos grande y del mundo real, mostrando que supera a las bases de referencia basadas en GAN de última generación.