高斯车道保持：一种稳健的预测基线
机器人学
2024-07-29 v1
摘要
预测车辆和行人行为面临诸多挑战，包括对不同意图的不确定性、代理人之间的相互作用、交通(环境)规则、个人倾向以及代理人动力学等因素。因此，文献中已提出了大量基于神经网络的预测模型，以涵盖这些复杂性，准确预测代理人行为。然而，这些方法在面对超出训练数据集的情景时常常失效，且缺乏可解释性，这引发对其在自动驾驶等现实应用中适用性的广泛质疑。此外，这些模型频繁需要额外训练、大量计算资源或特定输入特征， necessitating extensive implementation endeavors。为此，我们提出了高斯车道保持 (GLK)，一种用于自动驾驶车辆的稳健预测方法，可为开发新算法提供坚实的基线，作为现实部署的 sanity check。我们提供了GLK模型的多个扩展，评估了其在 CitySim 数据集上的性能，表明其优于基于神经网络的预测。
引用
@article{arxiv.2407.18451,
title = {Gaussian Lane Keeping: A Robust Prediction Baseline},
author = {David Isele and Piyush Gupta and Xinyi Liu and Sangjae Bae},
journal= {arXiv preprint arXiv:2407.18451},
year = {2024}
}