用于驾驶行为预测的分层可适应可迁移网络（HATN）
机器人学
2021-12-14 v3
摘要
当自动驾驶汽车仍难以应对道路行驶中的挑战性场景时，人类早已凭借高效可迁移与可适应的驾驶能力掌握了驾驶精髓。通过模仿人类在驾驶中的认知模型与语义理解，我们提出 HATN，一种用于在多智能体密集交通环境中生成高质量驾驶行为的分层框架。我们的方法在分层上由高层意图识别与低层动作生成策略组成。借助语义子任务定义与通用状态表示，该分层框架可在不同驾驶场景间迁移。此外，我们的模型还能通过在线适应模块捕捉个体与场景间驾驶行为的差异。我们在交叉口与环岛真实交通数据的轨迹预测任务中验证了算法，对提出的方法进行了广泛研究，并展示了该方法在预测精度与可迁移性上优于其他方法。
引用
@article{arxiv.2111.00788,
title = {Hierarchical Adaptable and Transferable Networks (HATN) for Driving Behavior Prediction},
author = {Letian Wang and Yeping Hu and Liting Sun and Wei Zhan and Masayoshi Tomizuka and Changliu Liu},
journal= {arXiv preprint arXiv:2111.00788},
year = {2021}
}
备注
Accepted by Advances in Neural Information Processing Systems (NeurIPS 2021) (ML4AD Workshop Spotlight)