学习行人动作以确保安全自动驾驶
机器人学
2023-05-23 v1 计算机视觉与模式识别
摘要
为确保城市环境中具有复杂车-行人交互的安全自动驾驶，自动驾驶车辆（AVs）具备实时预测行人短期及即时动作的能力至关重要。近年来，人们开发了多种方法来研究自动驾驶场景下的行人行为估计，但缺乏对行人行为的明确定义。本工作考察了文献中的空白并提出一种用于行人行为表征的分类法。进一步，提出一种新颖的多任务序列到序列Transformer编码器-解码器（TF-ed）架构，仅以本车摄像头观测为输入进行行人动作与轨迹预测。所提方法与已有的LSTM编码器-解码器（LSTM-ed）架构在动作与轨迹预测上进行比较。两种模型的性能在公开可用的联合注意力自动驾驶（JAAD）数据集、CARLA仿真数据以及在大学校园采集的实时自动驾驶接驳车数据上评估。评估结果表明，所提方法在JAAD测试数据的动作预测任务上达到81%准确率，优于LSTM-ed达7.4%，而LSTM对应模型在预测序列长度为25帧的轨迹预测任务上表现远好得多。
引用
@article{arxiv.2305.13051,
title = {Learning Pedestrian Actions to Ensure Safe Autonomous Driving},
author = {Jia Huang and Alvika Gautam and Srikanth Saripalli},
journal= {arXiv preprint arXiv:2305.13051},
year = {2023}
}
备注
8 pages, 9 figures