高效类脑学习的无人驾驶轨迹预测
人工智能
2024-07-10 v1 机器人学
摘要
准确且安全地预测周围车辆的轨迹是实现无人驾驶 (AD) 的关键。本文提出了类人轨迹预测模型 (HLTP++)，它模拟了人类认知过程以提高 AD 中的轨迹预测。HLTP++ 包含一种新型教师-学生知识蒸馏框架。“教师”模型配备自适应视觉部门，模拟了人类司机基于空间取向、距离和驾驶速度等因素动态分配注意力的行为。另一方面，“学生”模型专注于实时互动和人类决策，类似于人类记忆存储机制。此外，我们通过引入新的傅里叶自适应尖脉冲神经网络 (FA-SNN)，提高了模型的效率，使其能够以更少的参数实现更快更精确的预测。我们在 NGSIM、HighD 和 MoCAD 数据集上对 HLTP++ 进行评估，表现优于现有模型，在 NGSIM 数据集上将预测轨迹误差降低超过 11%，在 HighD 数据集上降低 25%。此外，HLTP++ 在输入数据不完整的挑战性环境中也表现出强大的适应性。这标志着向完全 AD 系统迈进的重要一步。
引用
@article{arxiv.2407.07020,
title = {Less is More: Efficient Brain-Inspired Learning for Autonomous Driving Trajectory Prediction},
author = {Haicheng Liao and Yongkang Li and Zhenning Li and Chengyue Wang and Chunlin Tian and Yuming Huang and Zilin Bian and Kaiqun Zhu and Guofa Li and Ziyuan Pu and Jia Hu and Zhiyong Cui and Chengzhong Xu},
journal= {arXiv preprint arXiv:2407.07020},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2402.19251