Human Observation-Inspired Trajectory Prediction for Autonomous Driving in Mixed-Autonomy Traffic Environments

要約

自動運転車 (AV) の急成長分野では、特に混合自動運転環境では、軌道予測が依然として大きな課題となっています。
従来のアプローチは、時系列分析などの計算手法に依存することがよくあります。
私たちの研究は、人間の認知と観察行動の原理を AV の軌道予測モデルに統合する学際的なアプローチを採用することにより、大きく分岐します。
私たちは、人間のドライバーが空間方向、近接性、運転速度などの要素に基づいて示す注意力の動的な割り当てを模倣する、新しい「適応視覚セクター」メカニズムを導入します。
さらに、畳み込みニューラル ネットワーク (CNN) とグラフ アテンション ネットワーク (GAT) を使用して、エージェント間の時空間依存関係を捕捉する「動的トラフィ​​ック グラフ」を開発します。
NGSIM、HighD、MoCAD データセットのベンチマーク テストでは、私たちのモデル (GAVA) が最先端のベースラインをそれぞれ少なくとも 15.2%、19.4%、12.0% 上回っていることが明らかになりました。
私たちの発見は、人間の認知原理を活用して、AV の軌道予測アルゴリズムの習熟度と適応性を向上させる可能性を強調しています。
提案されたモデルのコードは Github で入手できます。

要約(オリジナル)

In the burgeoning field of autonomous vehicles (AVs), trajectory prediction remains a formidable challenge, especially in mixed autonomy environments. Traditional approaches often rely on computational methods such as time-series analysis. Our research diverges significantly by adopting an interdisciplinary approach that integrates principles of human cognition and observational behavior into trajectory prediction models for AVs. We introduce a novel ‘adaptive visual sector’ mechanism that mimics the dynamic allocation of attention human drivers exhibit based on factors like spatial orientation, proximity, and driving speed. Additionally, we develop a ‘dynamic traffic graph’ using Convolutional Neural Networks (CNN) and Graph Attention Networks (GAT) to capture spatio-temporal dependencies among agents. Benchmark tests on the NGSIM, HighD, and MoCAD datasets reveal that our model (GAVA) outperforms state-of-the-art baselines by at least 15.2%, 19.4%, and 12.0%, respectively. Our findings underscore the potential of leveraging human cognition principles to enhance the proficiency and adaptability of trajectory prediction algorithms in AVs. The code for the proposed model is available at our Github.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google