Vehicle Motion Forecasting using Prior Information and Semantic-assisted Occupancy Grid Maps

要約

センサーデータの不確実性、将来の非決定的な性質、エージェントの複雑な動作により、動きの予測は自動運転車にとって困難なタスクです。
この論文では、シーンを動的占有グリッド マップ (DOGM) として表現し、占有セルに意味ラベルを関連付け、マップ情報を組み込むことで、この問題に取り組みます。
私たちは、車両の挙動を予測するための深層学習ベースの時空間的アプローチと確率的アプローチを組み合わせた新しいフレームワークを提案します。従来の OGM 予測手法とは対照的に、私たちの研究の評価はグラウンド トゥルース アノテーションに対して行われます。
私たちは実世界の NuScenes データセットで結果を実験および検証し、OGM 予測と比較して、私たちのモデルが静的車両と動的車両の両方を予測する優れた能力を示すことを示しました。
さらに、アブレーション研究を実行し、アーキテクチャにおけるセマンティックラベルとマップの役割を評価します。

要約(オリジナル)

Motion prediction is a challenging task for autonomous vehicles due to uncertainty in the sensor data, the non-deterministic nature of future, and complex behavior of agents. In this paper, we tackle this problem by representing the scene as dynamic occupancy grid maps (DOGMs), associating semantic labels to the occupied cells and incorporating map information. We propose a novel framework that combines deep-learning-based spatio-temporal and probabilistic approaches to predict vehicle behaviors.Contrary to the conventional OGM prediction methods, evaluation of our work is conducted against the ground truth annotations. We experiment and validate our results on real-world NuScenes dataset and show that our model shows superior ability to predict both static and dynamic vehicles compared to OGM predictions. Furthermore, we perform an ablation study and assess the role of semantic labels and map in the architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google