BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous Driving

要約

周囲の車両の軌道を正確に予測する機能は、完全自動運転車両への移行において克服すべき重要なハードルです。
この課題に対処するために、私たちは、交通心理学、人間の行動、意思決定からの洞察と発見を組み込んだ、新しい行動認識軌道予測モデル (BAT) を開拓しました。
私たちのモデルは、行動認識、インタラクション認識、優先順位認識、位置認識の各モジュールで構成されており、根底にある相互作用を認識して理解し、予測の不確実性と変動性を考慮して、運転行動を厳格に分類することなく、より高いレベルの学習と柔軟性を可能にします。
。
重要なのは、このアプローチにより、トレーニング プロセスにおける手動のラベル付けの必要性がなくなり、非連続的な動作のラベル付けと適切な時間ウィンドウの選択という課題に対処できることです。
次世代シミュレーション (NGSIM)、ハイウェイ ドローン (HighD)、ラウンドアバウト ドローン (RounD)、およびマカオ コネクテッド自動運転 (MoCAD) データセット全体で BAT のパフォーマンスを評価し、普及している最先端 (SOTA) に対する BAT の優位性を示します。
予測の精度と効率の観点からのベンチマーク。
注目すべきことに、トレーニング データの縮小された部分 (25%) でトレーニングされた場合でも、私たちのモデルはほとんどのベースラインを上回り、車両軌道の予測における堅牢性と効率性、および自動運転車のトレーニングに必要なデータ量を削減できる可能性を示しています。
特にコーナーケースでは。
結論として、行動認識モデルは、人間のドライバーと同じレベルの熟練度で軌道を予測できる自動運転車の開発における大幅な進歩を示しています。
プロジェクト ページは https://github.com/Petrichor625/BATraj-Behavior-aware-Model から入手できます。

要約(オリジナル)

The ability to accurately predict the trajectory of surrounding vehicles is a critical hurdle to overcome on the journey to fully autonomous vehicles. To address this challenge, we pioneer a novel behavior-aware trajectory prediction model (BAT) that incorporates insights and findings from traffic psychology, human behavior, and decision-making. Our model consists of behavior-aware, interaction-aware, priority-aware, and position-aware modules that perceive and understand the underlying interactions and account for uncertainty and variability in prediction, enabling higher-level learning and flexibility without rigid categorization of driving behavior. Importantly, this approach eliminates the need for manual labeling in the training process and addresses the challenges of non-continuous behavior labeling and the selection of appropriate time windows. We evaluate BAT’s performance across the Next Generation Simulation (NGSIM), Highway Drone (HighD), Roundabout Drone (RounD), and Macao Connected Autonomous Driving (MoCAD) datasets, showcasing its superiority over prevailing state-of-the-art (SOTA) benchmarks in terms of prediction accuracy and efficiency. Remarkably, even when trained on reduced portions of the training data (25%), our model outperforms most of the baselines, demonstrating its robustness and efficiency in predicting vehicle trajectories, and the potential to reduce the amount of data required to train autonomous vehicles, especially in corner cases. In conclusion, the behavior-aware model represents a significant advancement in the development of autonomous vehicles capable of predicting trajectories with the same level of proficiency as human drivers. The project page is available at https://github.com/Petrichor625/BATraj-Behavior-aware-Model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google