IDE-Net：从人类数据中提取交互驾驶事件与模式
人工智能
2020-11-05 v1 机器学习
机器人学
摘要
自动驾驶车辆（AVs）需在多样驾驶场景中与多个异质道路使用者共享道路。仔细与所有观测到的智能体交互既令人不堪重负又不必要，AVs需判断是否与每个周边智能体交互以及何时交互。为便利AVs预测与规划模块的设计与测试，期望以恰当表征深入理解交互行为，并自动提取与归类行为数据中的事件。除回答是否与及何时外，交互的本质模式是什么的答案对这些动机也至关重要。因此，学习从人类数据中提取交互驾驶事件与模式以应对是否-何时-什么任务，对AVs极为关键。然而，交互行为尚无明确定义与分类体系，且多数现有工作基于人工标注或手工规则与特征。本文提出交互驾驶事件与模式提取网络（IDE-Net），一种直接从车辆轨迹自动提取交互事件与模式的深度学习框架。在IDE-Net中，我们利用多任务学习的优势并提出三项辅助任务以无监督方式辅助模式提取。我们还设计了独特的时空模块来编码轨迹数据。在INTERACTION数据集上的实验结果验证了此类设计在更好泛化性与有效模式提取方面的成效。我们发现了三种可解释的交互模式，为驾驶行为表征、建模与理解带来洞见。在我们的模式分析中采用了客观与主观评价指标。
引用
@article{arxiv.2011.02403,
title = {IDE-Net: Interactive Driving Event and Pattern Extraction from Human Data},
author = {Xiaosong Jia and Liting Sun and Masayoshi Tomizuka and Wei Zhan},
journal= {arXiv preprint arXiv:2011.02403},
year = {2020}
}