弱势道路使用者的意图——基于机器学习的检测与预测
计算机视觉与模式识别
2018-03-12 v1
摘要
利用基于传感器的关键情况早期识别来避免与弱势道路使用者（VRU）发生碰撞，是智能车辆领域当前发展所提供的众多机遇之一。由于尤其是行人和 cyclists 非常灵活且拥有多种运动选择，在交通场景中对其行为进行建模是一项具有挑战性的任务。在本文中，我们提出基于机器学习方法（特别是人工神经网络）的运动模型，以分类当前运动状态并预测 VRU 的未来轨迹。这两种模型类型还被结合，以基于持续更新的伪概率状态分类实现特定训练的运动预测器应用。此外，该架构被用于评估针对起步与停止的运动特定物理模型以及基于视频的行人运动分类。一个由在城市交叉口获取的 1068 个行人场景和 494 个骑行者场景组成的综合数据集被用于不同模型的优化、训练与评估。结果表明，与交互多模型（IMM）卡尔曼滤波相比，机器学习方法具有显著更高的分类率，并能更早识别运动状态变化。对于所有类型的测试场景，轨迹预测质量也得到提升，尤其是在包含起步与停止运动的情况下。在此类情况下，平均分别实现了 37% 和 41% 更低的位置误差。
引用
@article{arxiv.1803.03577,
title = {Intentions of Vulnerable Road Users - Detection and Forecasting by Means of Machine Learning},
author = {Michael Goldhammer and Sebastian Köhler and Stefan Zernetsch and Konrad Doll and Bernhard Sick and Klaus Dietmayer},
journal= {arXiv preprint arXiv:1803.03577},
year = {2018}
}