可解释的基于长期航路点的轨迹预测模型
人工智能
2023-12-12 v1 机器学习
摘要
预测复杂环境中动态智能体的未来轨迹对于自动驾驶、机器人技术和人机交互等多种应用至关重要。这是一项具有挑战性的任务，因为智能体的行为是未知的且本质上具有多模态性。我们的核心见解是，智能体的行为不仅受其过去轨迹和与即时环境的交互影响，还在很大程度上受其长期航路点（LTW）的影响。在本文中，我们研究了添加长期目标对轨迹预测框架性能的影响。我们提出了一个可解释的长期航路点驱动的预测框架（WayDCM）。WayDCM首先通过结合离散选择模型（DCM）和神经网络模型（NN）来编码智能体与环境的交互及其LTW，从而预测智能体的中间目标（IG）。然后，我们的模型预测相应的轨迹。这与先前不考虑智能体最终意图来预测其轨迹的工作形成对比。我们在Waymo Open数据集上评估并展示了我们方法的有效性。
引用
@article{arxiv.2312.06219,
title = {Interpretable Long Term Waypoint-Based Trajectory Prediction Model},
author = {Amina Ghoul and Itheri Yahiaoui and Fawzi Nashashibi},
journal= {arXiv preprint arXiv:2312.06219},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2308.04312