利用短时不确定性感知轨迹与高精地图实现车辆行为长期预测
机器人学
2020-06-16 v2 应用统计
摘要
周围车辆的运动预测是自动驾驶车辆处理的最重要任务之一，也是自主系统中保障所有相关交通参与者安全的必要关键步骤。近来，来自学术界与工业界的众多研究者聚焦于这一重要问题，提出了从工程化基于规则的方法到学习型方法的多种思路，这些方法在不同预测时域内表现良好。特别地，对于较长期轨迹，工程化方法优于竞争方法，而学习型方法已被证明在短时域内是最佳选择。本工作中，我们描述如何克服这两个研究方向间的差异，并提出一种在单一统一框架下结合异质方法的方法。所得算法以合理方式将学习型不确定性感知轨迹与基于车道的路径相融合，从而在短时与较长期域内均提升预测精度。在真实世界大规模数据上的实验强烈表明所提统一方法的优势，其优于现有 SOTA。此外，在离线评估后，所提方法已成功在自动驾驶车辆上车载测试。
引用
@article{arxiv.2003.06143,
title = {Long-term Prediction of Vehicle Behavior using Short-term Uncertainty-aware Trajectories and High-definition Maps},
author = {Sai Yalamanchi and Tzu-Kuo Huang and Galen Clark Haynes and Nemanja Djuric},
journal= {arXiv preprint arXiv:2003.06143},
year = {2020}
}
备注
Accepted for publication at IEEE International Conference on Intelligent Transportation Systems (ITSC) 2020