使用行为交互网络在扩展时域上预测车辆行为

预测交通参与者的可能行为是自动驾驶车辆的一项核心能力。许多行为检测和机动识别方法的预测时域非常有限，为规划留出的时间和空间不足。为避免不理想的反应式决策，在规划中必须考虑长期未来回报，这需要扩展预测时域。在本文中，我们发现扩展时域上车辆行为的线索可以从车辆交互中找到，这使得即使在没有任何明确机动模式的情况下，也有可能预测特定行为发生的可能性。我们采用循环神经网络（RNN）进行观测编码，并在此基础上提出了一种新颖的车辆行为交互网络（VBIN），从每对交互的隐藏状态和连接特征中捕捉车辆交互。我们方法的输出是多个行为类别的概率似然，这与遥远未来的多模态和不确定性质相吻合。我们在公开的真实高速公路数据集上将本方法与两种最先进的方法及另外两种基线方法进行了系统比较，结果表明我们的方法具有更高的精度和更先进的交互建模能力。