换道场景中多车交互模式的时空学习
机器人学
2022-05-31 v2 机器学习
摘要
对常见但具挑战性的交互场景的解析有助于自动驾驶车辆做出有充分依据的决策。以往研究利用其对特定场景的先验知识并借助预定义模型实现这一点，限制了自适应能力。本文描述一种贝叶斯非参数方法，利用连续（即高斯过程）与离散（即狄利克雷过程）随机过程来揭示自车与其他邻近车辆之间的潜在交互模式。我们的模型通过基于高斯过程开发对加速度敏感的速场，放宽了对周围车辆数量的依赖。实验结果表明，该速场能够表示自车与其周围环境之间的空间交互。随后，我们开发了一个结合狄利克雷过程与隐马尔可夫模型的离散贝叶斯非参数模型，通过对序列交互数据进行分割与聚类并自动归入可解释的粒度模式，来学习时间空间上的交互模式。接着，我们使用从真实场景采集的 highD 数据集在高速公路换道场景中对我们的方法进行评估。结果表明，我们提出的贝叶斯非参数方法基于可解释的交互模式及其在时间关系中的转移特性，为自车与多个周围交通参与者的复杂换道交互提供了深入认识。我们提出的方法为高效分析其他类型的多智能体交互（如车辆-行人交互）提供了思路。演示视频见 https://youtu.be/z_vf9UHtdAM。
引用
@article{arxiv.2003.00759,
title = {Spatiotemporal Learning of Multivehicle Interaction Patterns in Lane-Change Scenarios},
author = {Chengyuan Zhang and Jiacheng Zhu and Wenshuo Wang and Junqiang Xi},
journal= {arXiv preprint arXiv:2003.00759},
year = {2022}
}
备注
for the supplements, see https://chengyuan-zhang.github.io/Multivehicle-Interaction/