DEMO：面向自动驾驶车辆的多时段轨迹预测 dynamics-增强学习模型
机器人学
2024-12-31 v1
摘要
自动驾驶车辆依赖准确的周围车辆轨迹预测以确保乘客和其他道路用户的安全。轨迹预测涵盖短期和长期时程，各自需要不同的考虑：短期预测依赖准确捕捉车辆动力学，而长期预测依赖于环境中相互作用模式的准确建模。然而，现有方法（要么基于物理，要么基于学习）总是忽略这些不同考虑，导致在短期和长期时程上难以找到最优预测。本文提出 dynamics-增强学习模型（DEMO），一种新颖方法，将基于物理的车辆动力学模型与先进的深度学习算法结合。DEMO 采用两阶段架构，包括动力学学习阶段和相互作用学习阶段，前者聚焦于捕捉车辆运动动力学，后者聚焦于建模相互作用。通过充分发挥两种方法的优势，DEMO 实现了对未来轨迹的多时程预测。在 Next Generation Simulation（NGSIM）、Macau Connected Autonomous Driving（MoCAD）、Highway Drone（HighD）和 nuScenes 数据集上进行的实验表明，DEMO 在短期和长期预测时程上均优于最先进（SOTA）基线。
引用
@article{arxiv.2412.20784,
title = {DEMO: A Dynamics-Enhanced Learning Model for Multi-Horizon Trajectory Prediction in Autonomous Vehicles},
author = {Chengyue Wang and Haicheng Liao and Kaiqun Zhu and Guohui Zhang and Zhenning Li},
journal= {arXiv preprint arXiv:2412.20784},
year = {2024}
}
备注
Accepted by Information Fusion