面向自动驾驶的假设性运动预测
机器学习
2020-08-25 v1 机器学习
摘要
预测道路参与者的长期未来运动是部署安全自动驾驶车辆（AV）的核心挑战。可行的解决方案必须同时考虑静态几何上下文（如道路车道）和由多个参与者产生的动态社会交互。尽管最近的深度架构在基于距离的预测度量上达到了最先进水平，这些方法生成的预测未考虑 AV 的预期运动规划。相比之下，我们提出了一种基于循环图注意力的方法，具有可解释的几何（参与者-车道）和社会（参与者-参与者）关系，支持注入反事实的几何目标和社会上下文。我们的模型可以生成以假设或“假设性”道路车道和多参与者交互为条件的多样化预测。我们展示了这种方法可用于规划回路中，以推理与 AV 预期路线直接相关的未观测原因或不太可能的未来。
引用
@article{arxiv.2008.10587,
title = {What-If Motion Prediction for Autonomous Driving},
author = {Siddhesh Khandelwal and William Qi and Jagjeet Singh and Andrew Hartnett and Deva Ramanan},
journal= {arXiv preprint arXiv:2008.10587},
year = {2020}
}
备注
16 pages, 6 tables, 6 figures