基于时序图神经网络的考虑交互的个性化车辆轨迹预测
机器学习
2023-08-17 v2 人工智能
计算机视觉与模式识别
机器人学
摘要
准确预测车辆轨迹对于高级驾驶辅助系统和自动驾驶车辆至关重要。现有方法主要依赖从大型数据集中得出的通用轨迹预测，忽视了个体驾驶员的个性化驾驶模式。为弥补这一不足，我们提出一种结合时序图神经网络的考虑交互的个性化车辆轨迹预测方法。我们的方法利用图卷积网络（GCN）和长短期记忆网络（LSTM）来建模目标车辆与其周围交通之间的时空交互。为实现预测个性化，我们建立了一个利用迁移学习的流程：模型最初在大规模轨迹数据集上预训练，然后使用每位驾驶员的特定驾驶数据对其进行微调。我们采用人在回路仿真来收集个性化的自然驾驶轨迹及相应的周围车辆轨迹。实验结果表明，与通用对应模型相比，我们的个性化 GCN-LSTM 模型具有更优性能，尤其在较长预测时域内。此外，该个性化模型优于未使用预训练所建立的独立模型，强调了在大型数据集上预训练以避免过拟合的重要性。通过引入个性化，我们的方法提升了轨迹预测精度。
引用
@article{arxiv.2308.07439,
title = {Interaction-Aware Personalized Vehicle Trajectory Prediction Using Temporal Graph Neural Networks},
author = {Amr Abdelraouf and Rohit Gupta and Kyungtae Han},
journal= {arXiv preprint arXiv:2308.07439},
year = {2023}
}