车辆语义意图与运动的概率预测
机器学习
2018-04-11 v1 机器学习
摘要
准确预测交通参与者的可能行为是未来自动驾驶车辆的必备能力。当前多数研究通过仅考虑特定场景来固定驾驶意图的数量。然而，不同的驾驶环境通常包含多种可能的驾驶操纵。因此，需要一种能适应不同交通场景的意图预测方法。为了进一步提升整体车辆预测性能，运动信息通常与分类后的意图相结合。如部分文献所建议，直接预测可能目标位置的方法因自动融入环境约束，在长期运动预测上可比其他方法取得更好性能。此外，通过获取预测目的地的时间信息，可轻松生成预测车辆的最优轨迹以及本车自动驾驶车辆的期望路径。本文提出一种基于语义的意图与运动预测（SIMP）方法，其利用语义定义的车辆行为可适应任意驾驶场景。它采用基于深度神经网络的概率框架来估计周围车辆的意图、最终位置及相应时间信息。我们使用一个真实世界示例场景来实现并检验所提方法。
引用
@article{arxiv.1804.03629,
title = {Probabilistic Prediction of Vehicle Semantic Intention and Motion},
author = {Yeping Hu and Wei Zhan and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:1804.03629},
year = {2018}
}
备注
This paper has been submitted to the 2018 IEEE Intelligent Vehicles (IV) Symposium