基于策略预期网络与优化上下文推理的在线车辆轨迹预测
机器人学
2019-03-05 v1 机器学习
摘要
在本文中，我们提出一种用于城市自动驾驶的在线两级车辆轨迹预测框架，其中存在复杂的上下文因素，如车道几何、道路施工、交通规则和移动主体。我们的方法将高层策略预期与低层上下文推理相结合。我们利用长短期记忆（LSTM）网络，依据车辆的历史序列观测来预期其驾驶策略（例如前进、让行、左转、右转等）。该策略随后用于引导低层基于优化的上下文推理过程。我们表明，由于未来轨迹的多模态性质，引入先验策略预期至关重要。此外，与现有的基于回归的轨迹预测方法相反，我们基于优化的推理过程能够处理复杂上下文因素。两级推理过程的最终输出是一条连续轨迹，可自动适应不同交通配置并准确预测未来车辆运动。所提框架的性能在一个新兴自动驾驶仿真平台（CARLA）中得到了分析与验证。
引用
@article{arxiv.1903.00847,
title = {Online Vehicle Trajectory Prediction using Policy Anticipation Network and Optimization-based Context Reasoning},
author = {Wenchao Ding and Shaojie Shen},
journal= {arXiv preprint arXiv:1903.00847},
year = {2019}
}
备注
6+n pages. Accepted to International Conference on Robotics and Automation (ICRA) 2019. IEEE copyright