面向自动驾驶的自监督动作空间预测
机器人学
2021-09-22 v1 计算机视觉与模式识别
机器学习
摘要
做出明智的驾驶决策需要可靠预测其他车辆的轨迹。本文提出一种用于自动驾驶的新型学习型多模态轨迹预测架构。该架构通过将学习问题投射到加速度和转向角空间中——即执行动作空间预测——来实现运动学可行的预测，从而可利用有价值的模型知识。此外，动作流形的维度低于状态流形，而状态流形中内在相关的状态更难以通过学习方法捕捉。为进行动作空间预测，我们提出简单的前馈动作空间预测（FFW-ASP）架构。进而在此基础上引入新颖的自监督动作空间预测（SSP-ASP）架构，其除轨迹外还输出未来环境上下文特征。自监督架构的关键要素在于：基于观测到的动作历史和过往上下文特征，在未来轨迹之前预测未来上下文特征。所提方法在包含城市交叉口和环岛的真实世界数据集上评估，显示出准确的预测，在多个预测指标上优于运动学可行预测的最优方法。
引用
@article{arxiv.2109.10024,
title = {Self-Supervised Action-Space Prediction for Automated Driving},
author = {Faris Janjoš and Maxim Dolgov and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2109.10024},
year = {2021}
}