基于多模态状态车辆描述符与扩张卷积社会池化的车辆轨迹预测
信号处理
2020-03-10 v1 人工智能
摘要
周围车辆的精确轨迹预测对于自动驾驶车辆的决策至关重要，基于学习的方法因其鲁棒性而广受认可。然而，最先进的基于学习的方法忽略了：1) 车辆多模态状态信息用于预测的可行性；2) 在建模车辆交互时全局交通场景感受野与局部位置分辨率之间的互斥关系，这可能影响预测精度。因此，我们提出了一种基于车辆描述符并带有扩张卷积社会池化(VD+DCS-LSTM)的 LSTM 模型以应对上述问题。首先，将每辆车的多模态状态信息作为模型输入，并提出一种由堆叠稀疏自编码器编码的新车辆描述符，以反映各状态间的深层交互关系，实现最优特征提取与多模态输入的有效利用。其次，使用 LSTM 编码器对由车辆描述符组成的历史序列进行编码，并提出一种新颖的扩张卷积社会池化以改进车辆空间交互建模。第三，使用 LSTM 解码器基于机动动作预测未来轨迹的概率分布。整体模型的有效性在 NGSIM US-101 和 I-80 数据集上得到验证，且我们的方法优于最新基准。
引用
@article{arxiv.2003.03480,
title = {A Multi-Modal States based Vehicle Descriptor and Dilated Convolutional Social Pooling for Vehicle Trajectory Prediction},
author = {Huimin Zhang and Yafei Wang and Junjia Liu and Chengwei Li and Taiyuan Ma and Chengliang Yin},
journal= {arXiv preprint arXiv:2003.03480},
year = {2020}
}