Trajectory Prediction with Observations of Variable-Length for Motion Planning in Highway Merging scenarios

要約

近くの車両の正確な軌道予測は、高速道路の合流などの動的な運転シナリオにおける自動運転車両の安全な動作計画にとって非常に重要です。
既存の方法では、2 秒以上の固定期間にわたって観測されない限り、車両の予測を開始できません。
これにより、自車両の知覚範囲に入った車両に対する素早い反応が妨げられ、安全上の懸念が生じます。
したがって、この論文では、1 フレームよりも長い観測長を処理できるように特別に訓練された、新しいトランスフォーマーベースの軌道予測アプローチを提案します。
我々は、highD と exiD という 2 つの大規模高速道路軌跡データセットを使用して、提案手法の包括的な評価を実行します。
さらに、exiD データセットからの広範な結合シナリオを使用して、提案された予測アプローチが動作計画と制御タスクに与える影響を研究します。
私たちの知る限り、これは、このような大規模な高速道路合流データセットがこの目的に使用された最初の例です。
結果は、予測モデルが高次元データセットで最先端のパフォーマンスを達成し、全体的に低い予測誤差を維持していることを示しています。
exiD のすべての観測長にわたる一定の速度。
さらに、等速モデルと比較して、密集した交通シナリオにおける安全性、快適性、効率性が大幅に向上します。

要約(オリジナル)

Accurate trajectory prediction of nearby vehicles is crucial for the safe motion planning of automated vehicles in dynamic driving scenarios such as highway merging. Existing methods cannot initiate prediction for a vehicle unless observed for a fixed duration of two or more seconds. This prevents a fast reaction by the ego vehicle to vehicles that enter its perception range, thus creating safety concerns. Therefore, this paper proposes a novel transformer-based trajectory prediction approach, specifically trained to handle any observation length larger than one frame. We perform a comprehensive evaluation of the proposed method using two large-scale highway trajectory datasets, namely the highD and exiD. In addition, we study the impact of the proposed prediction approach on motion planning and control tasks using extensive merging scenarios from the exiD dataset. To the best of our knowledge, this marks the first instance where such a large-scale highway merging dataset has been employed for this purpose. The results demonstrate that the prediction model achieves state-of-the-art performance on highD dataset and maintains lower prediction error w.r.t. the constant velocity across all observation lengths in exiD. Moreover, it significantly enhances safety, comfort, and efficiency in dense traffic scenarios, as compared to the constant velocity model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google