基于 LSTM 循环神经网络预测车辆变道时间
机器学习
2021-03-17 v2 人工智能
神经与进化计算
机器人学
摘要
为在高速公路上为自动驾驶车辆规划安全且舒适的轨迹，需要对交通状况进行准确预测。迄今为止，大量研究工作集中于检测变道操纵，而非估计变道实际发生的时间点。然而在实践中，该时间信息可能更为有用。本文致力于开发一种系统，利用基于长短期记忆的循环神经网络准确预测高速公路上周围车辆距下一次变道的时间。基于大型真实数据集的广泛评估表明，即便在最具挑战性的情形下，我们的方法也能做出可靠预测，均方根误差约为 0.7 秒。在变道前 3.5 秒，预测已高度准确，中位数误差小于 0.25 秒。总之，本文朝向下游高精度的位置预测迈出了基础性一步。
引用
@article{arxiv.2102.01431,
title = {Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks},
author = {Florian Wirthmüller and Marvin Klimke and Julian Schlechtriemen and Jochen Hipp and Manfred Reichert},
journal= {arXiv preprint arXiv:2102.01431},
year = {2021}
}
备注
the article has been accepted for publication in IEEE Robotics and Automation Letters (RA-L); the article has been submitted to RA-L with IEEE ICRA conference option; if the article will be presented during the conference will be decided independently; 8 pages, 5 figures, 6 tables