通用概率交互式态势识别与预测：从虚拟到真实
人工智能
2018-09-11 v1 机器学习
机器学习
摘要
准确且鲁棒的交通态势识别与预测在自动驾驶中起着重要作用，是风险评估与有效决策的先决条件。尽管已有大量工作致力于对单一对象的驾驶员行为建模，但对多个同时相互反应的高度交互智能体进行预测仍是一项挑战。本工作中，我们提出一种通用概率分层识别与预测框架，其采用两层隐马尔可夫模型（TLHMM）获取潜在态势的分布，并采用基于学习的动态场景演化模型采样一组未来轨迹。我们不对单一实体运动进行预测，而是通过将多个交互智能体建模为整体系统来获取联合分布。此外，由于分层结构的解耦特性，我们的模型适用于从仿真到真实世界应用以及不同交通场景间的知识迁移，这可降低训练的计算开销与对大量数据的需求。以高速公路匝道汇流场景的案例研究验证了所提框架的有效性与准确性。
引用
@article{arxiv.1809.02927,
title = {Generic Probabilistic Interactive Situation Recognition and Prediction: From Virtual to Real},
author = {Jiachen Li and Hengbo Ma and Wei Zhan and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:1809.02927},
year = {2018}
}
备注
Accepted by The 21st IEEE International Conference on Intelligent Transportation Systems (2018 IEEE ITSC)