A Cognitive-Driven Trajectory Prediction Model for Autonomous Driving in Mixed Autonomy Environment

要約

自動運転技術が進歩するにつれて、正確な軌道予測モデルの必要性が最も重要になります。
この論文では、知覚される安全性と動的な意思決定に焦点を当て、認知的洞察を軌道予測に注入する革新的なモデルを紹介します。
従来のアプローチとは異なり、私たちのモデルは、自律走行混合シナリオにおけるインタラクションと行動パターンの分析に優れています。
これは大幅な進歩を表しており、いくつかの主要なデータセットで顕著なパフォーマンスの向上が達成されています。
具体的には、次世代シミュレーション (NGSIM) で 16.2%、高速道路ドローン (HighD) で 27.4%、マカオ コネクテッド自動運転 (MoCAD) データセットで 19.8% の向上を示し、既存のベンチマークを上回っています。
私たちが提案したモデルは、現実世界のアプリケーションに不可欠なコーナーケースの処理において優れた能力を示しています。
さらに、その堅牢性はデータが欠落している、またはデータが限られているシナリオでも明らかであり、ほとんどの最先端のベースラインを上回ります。
この適応性と回復力により、私たちのモデルは現実世界の自動運転システムの実行可能なツールとして位置づけられ、安全性と効率性を強化するための車両軌道予測の新しい標準の到来を告げます。

要約(オリジナル)

As autonomous driving technology progresses, the need for precise trajectory prediction models becomes paramount. This paper introduces an innovative model that infuses cognitive insights into trajectory prediction, focusing on perceived safety and dynamic decision-making. Distinct from traditional approaches, our model excels in analyzing interactions and behavior patterns in mixed autonomy traffic scenarios. It represents a significant leap forward, achieving marked performance improvements on several key datasets. Specifically, it surpasses existing benchmarks with gains of 16.2% on the Next Generation Simulation (NGSIM), 27.4% on the Highway Drone (HighD), and 19.8% on the Macao Connected Autonomous Driving (MoCAD) dataset. Our proposed model shows exceptional proficiency in handling corner cases, essential for real-world applications. Moreover, its robustness is evident in scenarios with missing or limited data, outperforming most of the state-of-the-art baselines. This adaptability and resilience position our model as a viable tool for real-world autonomous driving systems, heralding a new standard in vehicle trajectory prediction for enhanced safety and efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google