MixNet：面向自主赛车的结构化深度神经运动预测
机器人学
2023-10-11 v1
摘要
可靠地预测自主赛车周围竞争车辆的运动对于有效且高性能的规划至关重要。尽管深度神经网络具有高度表达能力，但其为黑盒模型，这使得它们在自主驾驶等安全关键应用中的使用具有挑战性。本文中，我们引入了一种利用深度神经网络预测对手赛车运动的结构化方法。所得的可能输出轨迹集合受到约束，因此可以对预测给出质量保证。我们通过将所提模型与基于LSTM的编码器-解码器架构在高保真硬件在环（Hardware-in-the-Loop）仿真所获取的数据上评估来报告其性能。该方法在预测精度上优于基线，同时仍满足质量保证，从而证明了模型在真实世界中的鲁棒应用。所提模型已部署于慕尼黑工业大学（Technical University of Munich）的赛车，用于2021年Indy Autonomous Challenge。本研究使用的代码作为开源软件发布于 www.github.com/TUMFTM/MixNet。
引用
@article{arxiv.2208.01862,
title = {MixNet: Structured Deep Neural Motion Prediction for Autonomous Racing},
author = {Phillip Karle and Ferenc Török and Maximilian Geisslinger and Markus Lienkamp},
journal= {arXiv preprint arXiv:2208.01862},
year = {2023}
}