SiFH: Siamese frequency harmonization self-supervised learning for motion forecasting

Chunyu Liu

doi:10.1016/j.neucom.2025.131563

SiFH: Siamese frequency harmonization self-supervised learning for motion forecasting

2025-09-15

0

PRE

AI

DOI：10.1016/j.neucom.2025.131563

原文链接

原文求助

摘要

En 中文

运动预测是自动驾驶系统的基本组成部分，在确保安全方面发挥着重要作用。尽管监督学习方法已在多个领域取得了有前景的性能，但其模型能力通常受限于标注数据的可用性。一些先前的工作尝试将这一范式引入运动预测。然而，这些早期研究忽略了任务特定的特性。为解决这一问题，我们在自监督范式下将两项关键见解融入运动预测任务，并提出了一种新颖的自监督运动预测框架。首先，我们设计了一个频率信息调和预文本任务，明确鼓励模型整合频率域特征与其时间域对应特征，使它们协同工作。其次，我们引入了一个隐式场景对齐任务，该任务通过共享原型对齐掩码和非掩码视图，使模型能够学习场景级语义。通过联合优化这些目标，模型被鼓励利用丰富的未标注数据并捕捉丰富的时空表示。在具有挑战性的Argoverse 2和Argoverse 1基准测试上进行的广泛实验表明，我们提出的模型优于之前的最佳基线，并能产生更准确可靠的预测。

SiFH: Siamese frequency harmonization self-supervised learning for motion forecasting

摘要

期刊

机构

引用论文