一种基于速度矢量场的自动驾驶车辆轨迹预测深度神经网络新方法
机器学习
2023-09-21 v1 计算机视觉与模式识别
摘要
预判其他道路使用者的运动对自动驾驶系统（ADS）至关重要，因其可实现安全且明智的下游决策与运动规划。遗憾的是，当代基于学习的运动预测方法在预测时域增长或观测窗口缩短时表现出显著的性能退化。本文提出一种将基于数据驱动的学习方法与受自然启发概念（即流体流动动力学）生成的速度矢量场（VVF）相结合的轨迹预测新技术。本工作中，该矢量场作为卷积-循环深度神经网络的额外输入，以基于一系列鸟瞰场景表示预测最可能的未来轨迹。所提模型在 HighD 数据集上与最先进方法进行比较，表明 VVF 的引入提升了短程与长程（5 秒）时域的预测精度。还表明精度在观测窗口缩短时保持一致，从而缓解了对长历史过往观测以进行准确轨迹预测的需求。源代码见：https://github.com/Amir-Samadi/VVF-TP。
引用
@article{arxiv.2309.10948,
title = {A Novel Deep Neural Network for Trajectory Prediction in Automated Vehicles Using Velocity Vector Field},
author = {MReza Alipour Sormoli and Amir Samadi and Sajjad Mozaffari and Konstantinos Koufos and Mehrdad Dianati and Roger Woodman},
journal= {arXiv preprint arXiv:2309.10948},
year = {2023}
}
备注
This paper has been accepted and nominated as the best student paper at the 26th IEEE International Conference on Intelligent Transportation Systems (ITSC 2023)