基于双 LSTM 网络的周围车辆意图感知长时域轨迹预测
机器学习
2019-06-10 v1 机器人学
机器学习
摘要
由于自动驾驶车辆（AVs）需要与其他道路使用者交互，全面理解动态交通环境尤为重要，尤其是周围车辆未来的可能轨迹。本文提出一种使用双长短期记忆（LSTM）网络的周围车辆长时域轨迹预测算法，其能有效提升强交互驾驶环境下的预测精度。与传统需要轨迹匹配与人工特征选择的方法不同，该方法可通过序列学习从自然驾驶数据中自动学习驾驶行为的高层时空特征。通过采用两块 LSTM，所提方法将顺序轨迹输入第一个 LSTM 进行驾驶意图识别作为中间指示，随后紧接第二个 LSTM 进行未来轨迹预测。来自真实高速公路驾驶数据的测试结果表明，与最先进方法相比，所提方法能在 5s 时域内输出更准确合理的不同未来轨迹估计，其纵向与横向预测的均方根误差（RMSE）分别小于 5.77m 与 0.49m。
引用
@article{arxiv.1906.02815,
title = {Intention-aware Long Horizon Trajectory Prediction of Surrounding Vehicles using Dual LSTM Networks},
author = {Long Xin and Pin Wang and Ching-Yao Chan and Jianyu Chen and Shengbo Eben Li and Bo Cheng},
journal= {arXiv preprint arXiv:1906.02815},
year = {2019}
}
备注
Published at the 21st International Conference on Intelligent Transportation Systems (ITSC), 2018