VRUNet：用于弱势道路使用者意图预测的多任务学习模型
计算机视觉与模式识别
2020-07-13 v1 机器学习
机器人学
摘要
先进的感知与路径规划是任何自动驾驶车辆的核心。自动驾驶车辆需要理解场景及其他道路使用者的意图以实现安全运动规划。对于城市用例，感知并预测被归类为弱势道路使用者（VRU）的行人、骑行者、滑板车等主体的意图至关重要。意图是定义其未来运动的行人活动与长期轨迹的组合。在本文中，我们提出一种多任务学习模型，从视频序列预测行人动作、横穿意图并预报其未来路径。我们在自然驾驶开源 JAAD 数据集上训练了该模型，该数据集富含行为标注与真实世界场景。实验结果显示了在 JAAD 数据集上的最先进（SOTA）性能，以及我们如何通过使用 2D 人体姿态特征与场景上下文联合学习和预测动作与轨迹而获益。
引用
@article{arxiv.2007.05397,
title = {VRUNet: Multi-Task Learning Model for Intent Prediction of Vulnerable Road Users},
author = {Adithya Ranga and Filippo Giruzzi and Jagdish Bhanushali and Emilie Wirbel and Patrick Pérez and Tuan-Hung Vu and Xavier Perrotton},
journal= {arXiv preprint arXiv:2007.05397},
year = {2020}
}
备注
This paper is reprinted from, "VRUNet: Multi-Task Learning Model for Intent Prediction of Vulnerable Road Users, IS&T Electronic Imaging: Autonomous Vehicles and Machines 2020 Proceedings, (IS&T, Springfield, VA, 2020) page 109-1-10. DOI: 10.2352/ISSN.2470-1173.2020.16.AVM-109." Reprinted with permission of The Society for Imaging Science and Technology, holders of the 2020 copyright