车道注意力：通过学习车辆对车道的注意力预测其运动轨迹
机器学习
2021-01-15 v2 计算机视觉与模式识别
机器人学
机器学习
摘要
准确预测周围车辆的未来运动对于自动驾驶汽车的安全高效运行至关重要。该任务困难在于车辆的运动轨迹很大程度上由其驾驶员的意图决定，而意图通常难以估计。通过利用注意力机制与长短期记忆（LSTM）网络，本工作学习了驾驶员意图与车辆相对于道路基础设施的位置变化之间的关系，并用其指导预测。与其他最先进的方案不同，我们的工作将道路上的车道视为非欧几里得结构，展开车辆的运动历史以形成时空图，并使用图神经网络（Graph Neural Networks）的方法来解决问题。我们的方法不仅是在使用非欧几里得方法处理被预测对象周围静态环境特征方面的开创性尝试，我们的模型在多个指标上也优于其他最先进的模型。该模型的实用性与可解释性分析表明，除了我们自身的系统外，其在各种自动驾驶系统中大规模部署具有巨大潜力。
引用
@article{arxiv.1909.13377,
title = {Lane Attention: Predicting Vehicles' Moving Trajectories by Learning Their Attention over Lanes},
author = {Jiacheng Pan and Hongyi Sun and Kecheng Xu and Yifei Jiang and Xiangquan Xiao and Jiangtao Hu and Jinghao Miao},
journal= {arXiv preprint arXiv:1909.13377},
year = {2021}
}
备注
IROS 2020