Fast Long-Term Multi-Scenario Prediction for Maneuver Planning at Unsignalized Intersections

要約

インテリジェント車両の動き予測は通常、交通シナリオの最も可能性の高い将来の展開を推定することに重点を置いています。
ギャップの受け入れの推定、つまり、車両が優先権のある別の車両の前で合流または横断するかどうかは、多くの場合、予測で暗黙的に処理されます。
ただし、インフラベースの操縦計画では、協力車両間に人為的な優先順位を割り当てる可能性があるため、さらに多くの潜在的なシナリオを評価する必要があります。
さらに、予測期間は、操縦の影響を評価するのに十分な長さである必要があります。
したがって、我々は、ギャップ許容推定と速度予測を 2 つの別々の段階で処理する、新しい長期予測アプローチを提案します。
これにより、協力車両の優先順位付けだけでなく、一般車両の挙動も考慮することができる。
現実的な予測結果を得るために、現実世界の交通観察に基づいて両方の段階をトレーニングします。
私たちの方法は優れた精度を備えており、短時間で多数のシナリオを予測するのに十分な速度を備えているため、操縦計画フレームワークでの使用に適しています。

要約(オリジナル)

Motion prediction for intelligent vehicles typically focuses on estimating the most probable future evolutions of a traffic scenario. Estimating the gap acceptance, i.e., whether a vehicle merges or crosses before another vehicle with the right of way, is often handled implicitly in the prediction. However, an infrastructure-based maneuver planning can assign artificial priorities between cooperative vehicles, so it needs to evaluate many more potential scenarios. Additionally, the prediction horizon has to be long enough to assess the impact of a maneuver. We, therefore, present a novel long-term prediction approach handling the gap acceptance estimation and the velocity prediction in two separate stages. Thereby, the behavior of regular vehicles as well as priority assignments of cooperative vehicles can be considered. We train both stages on real-world traffic observations to achieve realistic prediction results. Our method has a competitive accuracy and is fast enough to predict a multitude of scenarios in a short time, making it suitable to be used in a maneuver planning framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google