基于混合高斯过程预测的上下文感知目标分类用于协同车辆安全系统
机器人学
2022-12-27 v1 人工智能
摘要
车联网（V2X）通信已被提出作为提升自动驾驶车辆鲁棒性与安全性的潜在方案，通过改善协同并消除非视距感知障碍。协同车辆安全（CVS）应用紧密依赖于底层数据系统的可靠性，而该系统可能因各组成部分的固有问题（如传感器故障或 V2X 技术在密集通信信道负载下性能不佳）遭受信息丢失。特别地，信息丢失影响目标分类模块，进而影响安全应用性能。为构建可靠且鲁棒的缓解信息丢失影响的 CVS 系统，我们提出了一种上下文感知目标分类（CA-TC）模块，并结合用于 CVS 系统的基于混合学习的预测建模技术。CA-TC 由两个模块组成：上下文感知地图（CAM）与混合高斯过程（HGP）预测系统。因此，车辆安全应用利用来自 CA-TC 的信息，使其更为鲁棒可靠。CAM 利用车辆路径历史、道路几何、跟踪与预测；HGP 用于提供精确的车辆轨迹预测，以补偿数据丢失（由于通信拥塞）或传感器测量不准。基于离线真实数据，我们学习了一组有限的驾驶模型库，表征车辆与驾驶行为的联合动态。我们结合离线训练与在线模型更新及即时预测，以应对新的可能驾驶行为。最后，我们的框架通过仿真与真实驾驶场景验证，确认其在增强 CVS 系统鲁棒性与可靠性方面的潜力。
引用
@article{arxiv.2212.12819,
title = {Context-Aware Target Classification with Hybrid Gaussian Process prediction for Cooperative Vehicle Safety systems},
author = {Rodolfo Valiente and Arash Raftari and Hossein Nourkhiz Mahjoub and Mahdi Razzaghpour and Syed K. Mahmud and Yaser P. Fallah},
journal= {arXiv preprint arXiv:2212.12819},
year = {2022}
}