基于变分自编码器的可解释潜空间车辆轨迹预测
机器学习
2021-06-25 v2
摘要
本文介绍了描述性变分自编码器（DVAE），这是一种无监督且端到端可训练的神经网络，用于预测车辆轨迹并提供部分可解释性。该新方法基于常见变分自编码器的架构与目标。通过在自编码器的解码器部分引入专家知识，编码器学习提取在人类术语中具有可理解含义的潜参数。这种可解释的潜空间使得能够通过专家定义的规则集进行验证。DVAE的评估使用公开可用的highD数据集在高速公路交通场景下进行。与复杂度相当的传统变分自编码器相比，所提出的模型提供了相似的预测精度，但具有可解释潜空间的显著优势。对于关键决策制定和评估预测的可信度而言，这一特性是极为理想的。
引用
@article{arxiv.2103.13726,
title = {Variational Autoencoder-Based Vehicle Trajectory Prediction with an Interpretable Latent Space},
author = {Marion Neumeier and Andreas Tollkühn and Thomas Berberich and Michael Botsch},
journal= {arXiv preprint arXiv:2103.13726},
year = {2021}
}
备注
Accepted for IEEE International Conference on Intelligent Transportation Systems (ITSC 2021)