基于朴素语义图的物理约束短期车辆轨迹预测
计算机视觉与模式识别
2020-06-11 v1 人工智能
神经与进化计算
摘要
城市环境呈现出高度的复杂性，因此对于嵌入自动驾驶车辆（AVs）中的安全系统而言，能够准确预测附近智能体的短期未来运动至关重要。该问题可进一步理解为基于给定智能体的历史运动数据（例如位置、速度、加速度等）生成其未来坐标序列，尽管当前方法展示了合理的结果，但它们往往倾向于忽略场景的物理约束。在本文中，我们提出了一种基于 CNN 与 LSTM 编码器-解码器架构组合的模型，该模型学习从语义图中提取相关道路特征以及智能体的一般运动，并利用该学习到的表示来预测其短期未来轨迹。我们在公开可用数据集上训练和验证该模型，该数据集提供城市区域的数据，使我们能够在具有挑战性和不确定性的场景中检验它。我们表明，我们的模型不仅能够考虑道路边界来预测未来运动，而且还能比初始训练时长更有效地精确地预测更长时间范围的轨迹。
引用
@article{arxiv.2006.05159,
title = {Physically constrained short-term vehicle trajectory forecasting with naive semantic maps},
author = {Albert Dulian and John C. Murray},
journal= {arXiv preprint arXiv:2006.05159},
year = {2020}
}