基于循环神经网络在占据栅格地图上的概率车辆轨迹预测
机器学习
2017-09-04 v2
摘要
本文提出一种基于循环神经网络的高效车辆轨迹预测框架。基本上，车辆轨迹的特征不同于常规运动物体，因为它受各种潜在因素影响，包括道路结构、交通规则和驾驶员意图。先前最先进方法使用描述这些因素的复杂车辆行为模型，并推导复杂的轨迹预测算法，这需要系统设计师进行密集的模型优化以实用。我们的方法是数据驱动且易于使用，它通过深度神经网络模型从大量轨迹数据中学习车辆的复杂行为。所提出的轨迹预测方法采用称为长短期记忆（LSTM）的循环神经网络来分析时间行为并预测周围车辆的未来坐标。该方案将从传感器测量获得的车辆坐标序列输入 LSTM，并生成占据栅格地图上关于车辆未来位置的概率信息。使用高速公路驾驶收集的数据进行的实验表明，所提方法能产生合理良好的未来轨迹估计。
引用
@article{arxiv.1704.07049,
title = {Probabilistic Vehicle Trajectory Prediction over Occupancy Grid Map via Recurrent Neural Network},
author = {ByeoungDo Kim and Chang Mook Kang and Seung Hi Lee and Hyunmin Chae and Jaekyum Kim and Chung Choo Chung and Jun Won Choi},
journal= {arXiv preprint arXiv:1704.07049},
year = {2017}
}