Characterized Diffusion and Spatial-Temporal Interaction Network for Trajectory Prediction in Autonomous Driving

要約

軌道予測は自律走行（AD）の基礎であり、車両がダイナミックな環境において安全かつ効率的に航行するために重要な役割を果たす。この課題に対処するため、本稿では、異質で不確実な交通シナリオに直面しても精度を維持できるように調整された、新しい軌道予測モデルを紹介する。このモデルの中核には、不確実性を内在する交通シナリオをシミュレートするために設計された革新的なモジュールである特性拡散モジュールがある。このモジュールは、詳細な意味情報を注入することで予測プロセスを豊かにし、軌跡予測精度を高めます。これを補完する当社の時空間（ST）相互作用モジュールは、空間的・時間的次元の両方にわたる車両ダイナミクスに対する交通シナリオの微妙な影響を、顕著な効果で捉えます。徹底的な評価を通じて実証されたように、我々のモデルは、次世代シミュレーション（NGSIM）、ハイウェイドローン（HighD）、およびマカオ・コネクテッド自律走行（MoCAD）のデータセットにおいて、短時間および長時間のスパンの両方において最先端の（SOTA）結果を達成し、軌道予測における新たな基準を打ち立てました。この性能は、高速道路、市街地、交差点などの複雑な交通シナリオをナビゲートする際のモデルの比類ない適応性と有効性を強調しています。

要約(オリジナル)

Trajectory prediction is a cornerstone in autonomous driving (AD), playing a critical role in enabling vehicles to navigate safely and efficiently in dynamic environments. To address this task, this paper presents a novel trajectory prediction model tailored for accuracy in the face of heterogeneous and uncertain traffic scenarios. At the heart of this model lies the Characterized Diffusion Module, an innovative module designed to simulate traffic scenarios with inherent uncertainty. This module enriches the predictive process by infusing it with detailed semantic information, thereby enhancing trajectory prediction accuracy. Complementing this, our Spatio-Temporal (ST) Interaction Module captures the nuanced effects of traffic scenarios on vehicle dynamics across both spatial and temporal dimensions with remarkable effectiveness. Demonstrated through exhaustive evaluations, our model sets a new standard in trajectory prediction, achieving state-of-the-art (SOTA) results on the Next Generation Simulation (NGSIM), Highway Drone (HighD), and Macao Connected Autonomous Driving (MoCAD) datasets across both short and extended temporal spans. This performance underscores the model’s unparalleled adaptability and efficacy in navigating complex traffic scenarios, including highways, urban streets, and intersections.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL