ParkPredict：停车场内车辆运动与意图预测
机器人学
2020-04-23 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
我们研究停车场内驾驶员行为预测问题，该环境相比典型道路网络结构化程度更低，且在紧凑空间内呈现复杂的交互式操纵。利用CARLA模拟器，我们开发了停车场环境并收集了人类停车操纵数据集。随后，我们通过将多模态长短期记忆（LSTM）预测模型与卷积神经网络LSTM（CNN-LSTM）同基于物理的扩展卡尔曼滤波（EKF）基线进行比较，研究了模型复杂度与特征信息的影响。我们的结果表明：1）意图可被良好估计（LSTM与CNN-LSTM模型的top-1准确率约85%、top-3准确率近100%）；2）获知人类驾驶员目标停车位对预测停车轨迹有重大影响；3）环境的语义表示改善了长期预测。
引用
@article{arxiv.2004.10293,
title = {ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots},
author = {Xu Shen and Ivo Batkovic and Vijay Govindarajan and Paolo Falcone and Trevor Darrell and Francesco Borrelli},
journal= {arXiv preprint arXiv:2004.10293},
year = {2020}
}
备注
* Indicates equal contribution. Accepted at IEEE Intelligent Vehicles Symposium (IV) 2020