基于深度卷积网络的自动驾驶多模态轨迹预测
机器人学
2019-03-04 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
自动驾驶是当前机器人与人工智能界面临的最大问题之一,无论在难度还是潜在社会影响方面皆是如此。自动驾驶车辆(SDV)有望防止道路事故、拯救数百万生命,同时改善更多人的生计与生活质量。然而,尽管业界兴趣浓厚且有众多行业参与者投身自主领域,要开发出可与人类中最佳驾驶员水平相媲美的系统,仍有许多工作待完成。原因之一在于交通行为的高不确定性以及 SDV 在道路上可能遭遇的大量情形,使得构建完全可泛化系统极为困难。为确保安全高效运行,自动驾驶车辆须考虑此不确定性,并预判周围交通参与者的多种可能行为。我们着手解决这一关键问题,提出一种预测参与者多条可能轨迹并同时估计其概率的方法。该方法将每个参与者周围上下文编码为栅格图像,作为深度卷积网络的输入以自动提取任务相关特征。经广泛的离线评估并与 SOTA 基线对比后,该方法在封闭场地测试中于 SDV 上成功验证。
引用
@article{arxiv.1809.10732,
title = {Multimodal Trajectory Predictions for Autonomous Driving using Deep Convolutional Networks},
author = {Henggang Cui and Vladan Radosavljevic and Fang-Chieh Chou and Tsung-Han Lin and Thi Nguyen and Tzu-Kuo Huang and Jeff Schneider and Nemanja Djuric},
journal= {arXiv preprint arXiv:1809.10732},
year = {2019}
}
备注
Accepted for publication at IEEE International Conference on Robotics and Automation (ICRA) 2019