使用基于 RNN 的深度模型预测高速公路上其他车辆的未来变道行为
机器人学
2019-05-17 v4 机器学习
摘要
在传感器故障情况下，自动驾驶车辆需要执行紧急机动，同时避开道路上的其他车辆。为此，发生传感器故障的车辆必须预测其他驾驶员的未来语义行为（例如变道），以及在给定近期历史传感器观测窗口下其未来轨迹。本文处理语义行为预测这一首要问题（它是轨迹预测的前置步骤），引入一种利用循环神经网络（RNNs）与图模型能力的框架。我们的目标是在给定仅一秒窗口的过去 LIDAR、GPS、惯性与地图数据的情况下，预测相邻车辆未来最多三秒内的变道分类驾驶意图。我们使用一辆自动驾驶丰田车收集了包含超过 20 小时高速公路驾驶的实车数据。我们采用结构循环神经网络（Structural Recurrent Neural Networks, RNNs）的方法学习因子函数，并提出一种复合 RNN 模型，同时利用图模型的高层结构与 RNNs 的序列建模能力，期望相比不透明的单一 RNN 模型提供更透明的建模与活动性。为展示我们的方法，我们使用真实州际高速公路驾驶数据验证模型，预测邻近自动驾驶车辆的其他车辆的未来变道机动。我们发现复合结构 RNN 在平衡准确率指标上比基线高出至多 12%。
引用
@article{arxiv.1801.04340,
title = {Predicting Future Lane Changes of Other Highway Vehicles using RNN-based Deep Models},
author = {Sajan Patel and Brent Griffin and Kristofer Kusano and Jason J. Corso},
journal= {arXiv preprint arXiv:1801.04340},
year = {2019}
}