空间、时间与交互：自动驾驶轨迹数据集拐角案例分类法
机器人学
2022-10-18 v1 人工智能
摘要
轨迹数据分析是高度自动驾驶的重要组成部分。利用这些数据开发的复杂模型可预测其他道路使用者的运动与行为模式。基于这些预测——以及道路走向、（交通）规则和与其他道路使用者交互等附加上下文信息——高度自动驾驶车辆（HAV）必须能够可靠且安全地执行所分配的任务，例如从 A 点移动到 B 点。理想情况下，HAV 安全穿行其环境，正如我们期望人类驾驶员所做的那样。然而，若出现不寻常轨迹，即所谓的轨迹拐角案例，人类驾驶员通常能很好应对，但 HAV 可能迅速陷入困境。在我们于本工作中给出的轨迹拐角案例定义中，将考虑不寻常轨迹相对于当前任务的相关性。基于此，我们还将提出一种不同轨迹拐角案例的分类法。拐角案例按成因与所需数据源归入该分类法，并以示例展示。为阐明机器学习（ML）模型与拐角案例成因之间的复杂性，我们呈现了支撑该分类法的一般处理链。
引用
@article{arxiv.2210.08885,
title = {Space, Time, and Interaction: A Taxonomy of Corner Cases in Trajectory Datasets for Automated Driving},
author = {Kevin Rösch and Florian Heidecker and Julian Truetsch and Kamil Kowol and Clemens Schicktanz and Maarten Bieshaar and Bernhard Sick and Christoph Stiller},
journal= {arXiv preprint arXiv:2210.08885},
year = {2022}
}