中间时域自动驾驶碰撞风险的实时预测
计算机视觉与模式识别
2018-02-06 v1 机器学习
摘要
先进的碰撞避免与驾驶员接管系统可受益于能够实时准确预测车辆在 10 至 20 秒中间时域内涉及碰撞的概率的能力。真实世界数据中碰撞的稀有性对开发此能力构成重大挑战，因为我们经验性地证明，中间时域风险预测严重依赖于高维驾驶员行为特征。因此，需要大量数据来拟合有效的预测模型。本文评估模拟数据是否有助于缓解此问题。聚焦于高速公路驾驶，我们提出一种生成数据并拟合能够进行实时预测的预测模型的三步法。首先，使用在学习的贝叶斯网络场景模型上的重要性采样生成高风险驾驶场景。其次，通过蒙特卡洛模拟估计碰撞风险。第三，在真实与模拟数据上训练神经网络域适应模型以解决两域间的差异。实验表明，模拟数据可缓解由碰撞稀有性引发的问题，从而改进真实世界数据中的风险预测。
引用
@article{arxiv.1802.01532,
title = {Real-time Prediction of Intermediate-Horizon Automotive Collision Risk},
author = {Blake Wulfe and Sunil Chintakindi and Sou-Cheng T. Choi and Rory Hartong-Redden and Anuradha Kodali and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:1802.01532},
year = {2018}
}