基于图的空间-时间卷积网络用于自动驾驶中车辆轨迹预测
机器学习
2022-10-17 v1 人工智能
机器人学
摘要
预测邻近车辆的轨迹是自动驾驶车辆决策与运动规划的关键步骤。本文提出一种基于图的空间-时间卷积网络（GSTCN），利用历史轨迹预测所有邻近车辆的未来轨迹分布。该网络使用图卷积网络（GCN）处理空间交互，并使用卷积神经网络（CNN）捕捉时间特征。空间-时间特征由门控循环单元（GRU）网络编码与解码，以生成未来轨迹分布。此外，我们提出一种加权邻接矩阵来描述车辆间相互影响的强度，消融实验证明了我们所提方案的有效性。我们的网络在两个真实高速公路轨迹数据集上进行了评估：下一代仿真（NGSIM）中的 I-80 与 US-101。在预测误差、模型大小和推理速度三个方面的对比表明，我们的网络能够达到最先进的（state-of-the-art）性能。
引用
@article{arxiv.2109.12764,
title = {Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving},
author = {Zihao Sheng and Yunwen Xu and Shibei Xue and Dewei Li},
journal= {arXiv preprint arXiv:2109.12764},
year = {2022}
}
备注
11 pages, 9 figures, 8 tables, submitted to IEEE Trans. Intelligent Transportation Systems