基于知识图谱嵌入与贝叶斯推理的车辆变道预测
机器学习
2023-12-12 v1 人工智能
神经与进化计算
摘要
近年来，车辆变道行为预测获得了极大的关注。近期的一些工作侧重于通过首先预测车辆轨迹来预测其意图。这还不够，因为它忽略了场景的上下文以及周围车辆的状态（因为它们可能对目标车辆构成风险）。其他工作仅通过考虑周围车辆在目标车辆周围的存在，或将它们与目标车辆之间的距离和相对速度视为两个独立的数值特征来评估风险。在这项工作中，我们提出了一种利用知识图谱（Knowledge Graphs, KGs）基于语言上下文信息来预测变道的解决方案，其能力远超当前感知系统。我们的解决方案将周围车辆的碰撞时间（Time To Collision, TTC）作为输入，以评估目标车辆面临的风险。此外，我们的知识图谱在 HighD 数据集上使用 TransE 模型进行训练，以获得知识图谱嵌入（Knowledge Graph Embeddings, KGE）。然后，我们利用训练期间学到的嵌入，在知识图谱之上应用贝叶斯推理。最终，该模型能够以 97.95% 的 F1 分数提前两秒预测变道，超越了现有最佳水平；并能以 93.60% 的 F1 分数提前三秒预测变道。
引用
@article{arxiv.2312.06336,
title = {Vehicle Lane Change Prediction based on Knowledge Graph Embeddings and Bayesian Inference},
author = {M. Manzour and A. Ballardini and R. Izquierdo and M. A. Sotelo},
journal= {arXiv preprint arXiv:2312.06336},
year = {2023}
}