切换循环卡尔曼网络
机器学习
2021-11-17 v1 人工智能
信号处理
摘要
预测驾驶行为或其他传感器测量值是自动驾驶系统的重要组成部分。现实世界中的多元时间序列数据通常难以建模，因为底层动力学是非线性的且观测含有噪声。此外，驾驶数据常呈多峰分布，意味着存在若干可能但不同的预测，而平均化会损害模型性能。为此，我们提出切换循环卡尔曼网络（SRKN）以对非线性多峰时间序列数据进行高效推断与预测。该模型在因子化潜状态中于若干建模动力学不同方面的卡尔曼滤波器间切换。我们在玩具数据集与波尔图出租车真实驾驶数据上经验性测试了这一可扩展且可解释的深层状态空间模型。在所有案例中，模型均能捕捉数据中动力学的多峰本质。
引用
@article{arxiv.2111.08291,
title = {Switching Recurrent Kalman Networks},
author = {Giao Nguyen-Quynh and Philipp Becker and Chen Qiu and Maja Rudolph and Gerhard Neumann},
journal= {arXiv preprint arXiv:2111.08291},
year = {2021}
}
备注
Machine Learning for Autonomous Driving Workshop at the 35th Conference on Neural Information Processing Systems (NeurIPS 2021), Sydney, Australia