KI-GAN：知识驱动的生成对抗网络用于信号交叉口多车辆轨迹预测增强
机器学习
2024-04-22 v2 人工智能
机器人学
摘要
信号交叉口车辆轨迹的可靠预测对于城市交通管理和自动驾驶系统至关重要。然而，由于交叉口复杂的道路布局、交通信号控制的参与以及不同类型道路使用者之间的交互，这带来了独特的挑战。为了解决这些问题，本文提出了一种新颖的模型，称为知识驱动的生成对抗网络（KI-GAN），该模型整合了交通信号信息和多车辆交互以准确预测车辆轨迹。此外，我们提出了一种专门的注意力池化方法，考虑了交叉口处车辆的方向和邻近性。基于SinD数据集，我们的KI-GAN模型在6秒观测和6秒预测周期内实现了平均位移误差（ADE）0.05和最终位移误差（FDE）0.12。当预测窗口延长至9秒时，ADE和FDE值分别进一步降低至0.11和0.26。这些结果证明了所提出的KI-GAN模型在信号交叉口复杂场景下车辆轨迹预测的有效性，代表了该领域的重大进展。
引用
@article{arxiv.2404.11181,
title = {KI-GAN: Knowledge-Informed Generative Adversarial Networks for Enhanced Multi-Vehicle Trajectory Forecasting at Signalized Intersections},
author = {Chuheng Wei and Guoyuan Wu and Matthew J. Barth and Amr Abdelraouf and Rohit Gupta and Kyungtae Han},
journal= {arXiv preprint arXiv:2404.11181},
year = {2024}
}
备注
2024 CVPR AICity Workshop