基于局部加权学习的城市环境道路使用者位置预测
计算工程、金融与科学
2022-04-22 v2
摘要
本文关注于在给定目标道路使用者当前状态（由位置和速度组成）的情况下预测其未来位置的问题。我们采用加权平均方法，其中权重由包含先前观测到的道路使用者状态轨迹的数据确定。特别地，引入了一种相似性函数，以从数据中提取那些与目标任务状态最相似的先前观测到的道路使用者状态。该表述产生了一个易于解释且需标定参数很少的模型。该加权平均模型（WAM）在与最先进方法相同的真实世界数据上进行评估，显示出有前景的结果。WAM 在较长预测时域上优于基线恒定速度模型，使 WAM 适用于运动规划应用。WAM 与一个基线神经网络模型表现相当。尽管如此，WAM 仅有三个易于解释的参数，而复杂的神经网络模型有数千个难以分析的参数。
引用
@article{arxiv.2201.12895,
title = {Road User Position Prediction in Urban Environments via Locally Weighted Learning},
author = {Angelos Toytziaridis and Paolo Falcone and Jonas Sjöberg},
journal= {arXiv preprint arXiv:2201.12895},
year = {2022}
}