Utilizing Hybrid Trajectory Prediction Models to Recognize Highly Interactive Traffic Scenarios

要約

自動運転車は、交通の未来を改善する上で大きな期待を抱いています。
これらの車両で使用される運転モデル​​はニューラル ネットワークに基づいており、検証が難しい場合があります。
ただし、これらのモデルの安全性を確保することが重要です。
従来のフィールドテストは、費用と時間がかかり、危険を伴う可能性があります。
これらの問題に対処するために、シナリオベースの閉ループ シミュレーションは、長時間にわたる車両の運転を短時間でシミュレートし、重要な状況を具体的に調査できるようにします。
それにもかかわらず、テストに大きなメリットをもたらす、関連するトラフィック シナリオの検出は依然として大きな課題です。
このニーズに対処するために、この論文では、交通参加者向けの模倣学習ベースの軌道予測を構築します。
空間環境要因を表す画像ベース (CNN) アプローチと、交通参加者間の関係を具体的に表すグラフベース (GNN) アプローチを組み合わせます。
私たちの理解では、ネットワークがソーシャル コンポーネントを大幅に利用しているため、高度にインタラクティブな交通シーンは、検証プロセスにより適しています。
したがって、我々は、交通現場の双方向性の尺度として、そのようなサブネットワークのアクティビティを使用することを提案します。
モーション データセットを使用してモデルを評価し、さまざまな交通状況に関する関係情報の価値について議論します。

要約(オリジナル)

Autonomous vehicles hold great promise in improving the future of transportation. The driving models used in these vehicles are based on neural networks, which can be difficult to validate. However, ensuring the safety of these models is crucial. Traditional field tests can be costly, time-consuming, and dangerous. To address these issues, scenario-based closed-loop simulations can simulate many hours of vehicle operation in a shorter amount of time and allow for specific investigation of important situations. Nonetheless, the detection of relevant traffic scenarios that also offer substantial testing benefits remains a significant challenge. To address this need, in this paper we build an imitation learning based trajectory prediction for traffic participants. We combine an image-based (CNN) approach to represent spatial environmental factors and a graph-based (GNN) approach to specifically represent relations between traffic participants. In our understanding, traffic scenes that are highly interactive due to the network’s significant utilization of the social component are more pertinent for a validation process. Therefore, we propose to use the activity of such sub networks as a measure of interactivity of a traffic scene. We evaluate our model using a motion dataset and discuss the value of the relationship information with respect to different traffic situations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google