基于多任务注意力卷积神经网络的自动驾驶系统早期变道预测
计算机视觉与模式识别
2022-03-30 v2 机器学习
摘要
根据各种道路交通事故记录，变道（LC）是高速公路驾驶中安全性至关重要的操纵之一。因此，提前可靠地预测此类操纵对于自动驾驶系统的安全与舒适运行至关重要。以往的大多数研究依赖于检测已经开始的操纵，而不是提前预测该操纵。此外，以往大多数工作不估计该操纵的关键时刻（例如，穿越时间），而这实际上能为自车决策提供更有用的信息。为解决这些不足，本文提出一种新颖的多任务模型，同时估计 LC 操纵的可能性和变道时间（TTLC）。在两项任务中，基于注意力的卷积神经网络（CNN）被用作从驾驶环境的鸟瞰图表示中提取共享特征的特征提取器。CNN 模型中使用的空间注意力通过聚焦于周围环境中最相关的区域来改进特征提取过程。此外，采用了两种新颖的课程学习方案来训练所提出的方法。在现有基准数据集上对所提方法的广泛评估和比较分析表明，该方法优于最先进的 LC 预测模型，特别是在长期预测性能方面。
引用
@article{arxiv.2109.10742,
title = {Early Lane Change Prediction for Automated Driving Systems Using Multi-Task Attention-based Convolutional Neural Networks},
author = {Sajjad Mozaffari and Eduardo Arnold and Mehrdad Dianati and Saber Fallah},
journal= {arXiv preprint arXiv:2109.10742},
year = {2022}
}
备注
13 pages, 11 figures