用于预测式机动规划的高效深度时空上下文感知决策网络（DST-CAN）
机器人学
2024-07-09 v2
摘要
为确保其机动的安全与高效，自动驾驶车辆（AV）应利用传感器信息预测周围车辆的未来意图。若 AV 能预测周围车辆的未来轨迹，便可做出安全高效的机动决策。本文提出这样一种用于 AV 预测式机动规划的深度时空上下文感知决策网络（DST-CAN）模型。该模型使用记忆神经元网络预测周围车辆的未来轨迹。驾驶环境的时空信息（过去、现在及预测的未来轨迹）被嵌入至上下文感知栅格中。所提 DST-CAN 模型将这些上下文感知栅格作为卷积神经网络的输入，以理解车辆间的空间关系并确定安全高效的机动决策。DST-CAN 模型还利用了高速公路上人类驾驶行为的信息。DST-CAN 的性能评估使用两个公开可用的 NGSIM US-101 与 I-80 数据集进行。此外，基于规则的真实决策与 DST-CAN 生成的决策进行了比较。结果清晰表明，相较于当前不使用该预测的方法，DST-CAN 利用相邻车辆 3 秒的预测轨迹能做出好得多的决策。
引用
@article{arxiv.2205.10092,
title = {An efficient Deep Spatio-Temporal Context Aware decision Network (DST-CAN) for Predictive Manoeuvre Planning},
author = {Jayabrata Chowdhury and Suresh Sundaram and Nishanth Rao and Narasimhan Sundararajan},
journal= {arXiv preprint arXiv:2205.10092},
year = {2024}
}
备注
12 pages, 8 figures