基于学习的 V2V 网络二维车辆机动预测框架
机器人学
2018-08-03 v1 机器学习
机器学习
摘要
利用可靠的轨迹预测方法可大幅改善车载网络中的态势感知。更精确的态势感知反过来又会显著提升关键安全应用(如前向碰撞预警(FCW))以及舒适应用(如协同自适应巡航控制(CACC))的性能。因此,需要深入研究车辆轨迹预测问题,以提出具备安全应用控制器所需足够精度的端到端框架。文献中已使用不同方法解决该问题。然而,机器学习作为具有显著时间序列预测潜力且前景广阔的新兴领域,尚未在此方面得到充分探索。本文开发了一个基于两层神经网络的系统:第一层预测车辆参数(如速度、加速度和横摆率)的未来值,随后基于第一层输出预测二维(即纵向与横向)轨迹点。所提框架的性能在来自 Safety Pilot Model Deployment (SPMD) 数据集的真实切入场景中得到评估,结果显示与汽车工业所采用的主流模型——运动学模型相比,预测精度有明显提升。我们对理想与非理想通信环境均进行了系统评估。对于非理想情况,框架在参数预测模块前加入一个估计步骤,以处理丢包或传感器故障的缺陷,并以期望频率重构车辆参数的时间序列。
引用
@article{arxiv.1808.00516,
title = {A Learning-Based Framework for Two-Dimensional Vehicle Maneuver Prediction over V2V Networks},
author = {Hossein Nourkhiz Mahjoub and Amin Tahmasbi-Sarvestani and Hadi Kazemi and Yaser P. Fallah},
journal= {arXiv preprint arXiv:1808.00516},
year = {2018}
}