用于高速公路合流场景运动规划的变长观测轨迹预测
机器人学
2023-06-12 v1 机器学习
摘要
在高速公路合流等动态驾驶场景中，对周边车辆的准确轨迹预测对自动驾驶车辆的安全运动规划至关重要。现有方法除非对车辆观测固定时长两秒或以上，否则无法启动预测。这阻碍了自车对进入其感知范围车辆的快速反应，从而产生安全隐患。因此，本文提出一种基于 Transformer 的新型轨迹预测方法，专门训练以处理任何大于一帧的观测长度。我们使用两个大规模高速公路轨迹数据集（即 highD 和 exiD）对所提方法进行全面评估。此外，我们利用 exiD 数据集中大量合流场景研究了所提预测方法对运动规划与控制任务的影响。据我们所知，这是首次将如此大规模高速公路合流数据集用于此目的。结果表明，该预测模型在 highD 数据集上取得最先进性能，并在 exiD 中所有观测长度下相较恒定速度模型保持更低的预测误差。此外，与恒定速度模型相比，它在密集交通场景中显著提升了安全性、舒适性和效率。
引用
@article{arxiv.2306.05478,
title = {Trajectory Prediction with Observations of Variable-Length for Motion Planning in Highway Merging scenarios},
author = {Sajjad Mozaffari and Mreza Alipour Sormoli and Konstantinos Koufos and Graham Lee and Mehrdad Dianati},
journal= {arXiv preprint arXiv:2306.05478},
year = {2023}
}
备注
8 page, 7 figures, submitted to IEEE ITSC 2023