基于循环表示学习的城市场景动态环境预测
计算机视觉与模式识别
2019-08-20 v2 机器学习
机器人学
摘要
自动驾驶的一个关键挑战是在有行人、骑行者与其他车辆等动态障碍物的杂乱城市场景中进行安全轨迹规划。对未来环境（包括动态智能体行为）的可靠预测，将使规划算法能够主动生成轨迹以应对快速变化的环境。我们提出一种新颖框架，通过使用神经网络从占据栅格数据中学习运动模型，预测自动驾驶智能体周边局部环境的未来占据状态。我们利用栅格数据的时间结构，采用 PredNet 架构形式的卷积长短期记忆网络。该方法在 KITTI 数据集上得到验证，并展现出比基线方法更高的精度与更好的预测能力。
引用
@article{arxiv.1904.12374,
title = {Dynamic Environment Prediction in Urban Scenes using Recurrent Representation Learning},
author = {Masha Itkina and Katherine Driggs-Campbell and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:1904.12374},
year = {2019}
}
备注
8 pages, updated final draft, accepted into Intelligent Transportation Systems Conference (ITSC) 2019