用于轨迹预测的交互感知卡尔曼神经网络
机器人学
2021-01-26 v4
摘要
预测周围障碍物（车辆、自行车、行人等）的运动有助于智能与自动驾驶车辆的道路运动规划。复杂场景在建模周围交通模式时总是带来巨大挑战。例如，一个主要挑战来自复杂交通系统中难以处理的交互效应。本文提出一种多层架构交互感知卡尔曼神经网络（IaKNN），其包含一个将高维交通环境观测解析为交互感知加速度的交互层、一个将加速度转换为交互感知轨迹的运动层，以及一个用卡尔曼滤波网络估计未来轨迹的滤波层。得益于多源交通数据，我们的端到端可训练方法从技术上融合了动态与交互感知轨迹，提升了预测性能。在 NGSIM 数据集上的实验表明，IaKNN 在交通轨迹预测的有效性方面优于 SOTA 方法。
引用
@article{arxiv.1902.10928,
title = {Interaction-aware Kalman Neural Networks for Trajectory Prediction},
author = {Ce Ju and Zheng Wang and Cheng Long and Xiaoyu Zhang and Dong Eui Chang},
journal= {arXiv preprint arXiv:1902.10928},
year = {2021}
}
备注
8 pages, 4 figures, Accepted for IEEE Intelligent Vehicles Symposium (IV) 2020