Autonomous vehicles should be able to predict the future states of its environment and respond appropriately. Specifically, predicting the behavior of surrounding human drivers is vital for such platforms to share the same road with humans. Behavior of each of the surrounding vehicles is governed by the motion of its neighbor vehicles. This paper focuses on predicting the behavior of the surrounding vehicles of an autonomous vehicle on highways. We are motivated by improving the prediction accuracy when a surrounding vehicle performs lane change and highway merging maneuvers. We propose a novel pooling strategy to capture the inter-dependencies between the neighbor vehicles. Depending solely on Euclidean trajectory representation, the existing pooling strategies do not model the context information of the maneuvers intended by a surrounding vehicle. In contrast, our pooling mechanism employs polar trajectory representation, vehicles orientation and radial velocity. This results in an implicitly maneuver-aware pooling operation. We incorporated the proposed pooling mechanism into a generative encoder-decoder model, and evaluated our method on the public NGSIM dataset. The results of maneuver-based trajectory predictions demonstrate the effectiveness of the proposed method compared with the state-of-the-art approaches. Our "Pooling Toolbox" code is available at https://github.com/m-hasan-n/pooling.


翻译:自主车辆应该能够预测未来环境状况并作出适当反应。 具体地说, 预测周围人类驾驶员的行为对于这些平台与人类共享同一道路至关重要。 每个周围车辆的行为都受邻居车辆运动的支配。 本文侧重于预测高速公路上自主车辆周围车辆的行为。 我们的动机是,当周围车辆进行车道变更和高速公路合并操作时,提高预测准确性。 我们提议了一项新颖的集合战略,以捕捉相邻车辆之间的相互依存关系。 仅根据欧洲轨道代表制,现有的集合战略并不模拟周围车辆所要使用的操作方法的背景信息。 相反,我们的集合机制使用极轨代表制、车辆方向和辐射速度。这导致隐含的机动观测集合作业。 我们把拟议的集合机制纳入一个基因化的诱导器- 脱钩模型,并评估我们在公共 NGSIM 数据集上的方法。 基于机动轨迹的预测结果显示与州/ 城市工具库/ 工具库 工具库 工具库 工具库 工具 工具库 工具库 工具库 工具库 工具库 工具库 工具库 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具 工具

0
下载
关闭预览

相关内容

Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
LibRec 精选:推荐系统9个必备数据集
LibRec智能推荐
6+阅读 · 2018年3月7日
carla 学习笔记
CreateAMind
9+阅读 · 2018年2月7日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Autonomous Navigation System for a Delivery Drone
Arxiv
0+阅读 · 2021年6月16日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
LibRec 精选:推荐系统9个必备数据集
LibRec智能推荐
6+阅读 · 2018年3月7日
carla 学习笔记
CreateAMind
9+阅读 · 2018年2月7日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员