在数据驱动的车辆轨迹预测器中注入知识
人工智能
2022-03-07 v2 机器人学
摘要
车辆轨迹预测任务通常从两个不同视角处理:知识驱动方法或近年来的数据驱动方法。一方面,我们可以显式实现领域知识或物理先验,例如预期车辆会沿道路中央行驶。尽管该视角能产生可行输出,但由于难以手工刻画城市环境中的复杂交互,其性能有限。另一方面,近期工作使用数据驱动方法,能从数据中学习复杂交互从而取得更优性能。然而,泛化性(即对未观测数据的准确预测)存在问题,导致不真实的输出。本文中,我们提出学习一个“真实残差块”(RRB),有效连接上述两种视角。我们的 RRB 接收任意现成知识驱动模型,并寻找需添加至知识感知轨迹的残差。所提方法通过限制残差范围并考虑其不确定性,输出真实预测。我们还用模型预测控制(MPC)约束输出以满足运动学约束。使用公开数据集,我们表明该方法在准确率和向新场景的泛化上均优于以往工作。我们将在此发布代码与数据划分:https://github.com/vita-epfl/RRB。
引用
@article{arxiv.2103.04854,
title = {Injecting Knowledge in Data-driven Vehicle Trajectory Predictors},
author = {Mohammadhossein Bahari and Ismail Nejjar and Alexandre Alahi},
journal= {arXiv preprint arXiv:2103.04854},
year = {2022}
}
备注
Published in Transportation Research: Part C