Our approach, dubbed INFER (INterme

Our approach, dubbed INFER (INtermediate representations for distant FuturE pRediction), involves training an autoregressive model that takes in an intermediate representation of past states of the world, and predicts a multimodal distribution over plausible future states. The model takes asinput an intermediate representation of the scene semantics (intermediate, because it is neither too primitive (eg. raw pixel intensities) nor too abstract (eg. velocities, steering angles). Using these intermediate representations, we predict the plausible future locations of the Vehicles of Interest (VoI)

結果 (繁體中文) 1:

我們的做法，被稱為推出（中間表示對遙遠的未來預測），涉及訓練自回歸模型，發生在世界的過去狀態的中間表示，並預測對未來合理的狀態的多態分佈。該模型以作為
輸入場景語義（中間的中間表示，因為它既不太原始（例如，原始像素強度），也不能太抽象（例如，速度，轉向角）。使用這些中間表示，我們預測的未來可能出現的息的車輛的位置（VOI）

結果 (繁體中文) 2:

我們的方法，稱為INFER（遠距離未來，INtermin表示），涉及訓練一個自動回歸模型，該模型採用世界過去狀態的中間表示形式，並預測多式聯運分佈的合理性未來狀態。模型被視為
輸入場景語義的中間表示形式（中間，因為它既不是太原始（例如原始圖元強度）也不是太抽象（例如速度、轉向角度）。使用這些中間表示形式，我們預測了感興趣的車輛 （VoI） 的合理未來位置

結果 (繁體中文) 3:

我們的方法被稱為推斷（遙遠未來預測的中間表示），包括訓練一個自回歸模型，該模型接受世界過去狀態的中間表示，並預測在可能的未來狀態上的多模態分佈。模型認為
輸入場景語義的中間表示（中間表示，因為它既不太原始（如原始點數强度），也不太抽象（如速度、轉向角）。使用這些中間表示，我們可以預測感興趣車輛（VoI）未來可能的位置