偏离人行道：共享空间中用于自动驾驶车辆的行人预测
机器人学
2020-06-02 v1
摘要
行人与驾驶员在广泛的环境中密切交互。自动驾驶车辆(AVs)相应地需要在这些相同环境中预测行人的未来轨迹。传统的基于模型的预测方法局限于在具有信号化交叉口、标记人行横道或路缘的高度结构化场景中进行预测。深度学习方法则利用数据集学习可跨场景泛化的预测特征，代价是模型可解释性。本文旨在通过提出一种基于风险的注意力机制来学习行人何时让步，以及一种车辆影响模型来学习让步如何影响运动，从而实现广泛适用且可解释的预测。一种新颖的概率方法，偏离人行道预测(OSP)，利用这些在共享空间与传统场景中均实现准确预测。在城市数据集上的实验表明，该实时方法达到了最先进的性能。
引用
@article{arxiv.2006.00962,
title = {Off The Beaten Sidewalk: Pedestrian Prediction In Shared Spaces For Autonomous Vehicles},
author = {Cyrus Anderson and Ram Vasudevan and Matthew Johnson-Roberson},
journal= {arXiv preprint arXiv:2006.00962},
year = {2020}
}
备注
8 pages, 4 figures, 2 tables