MSMA: Multi-agent Trajectory Prediction in Connected and Autonomous Vehicle Environment with Multi-source Data Integration

要約

周囲の車両の軌道を予測することは、衝突のない経路計画にとって非常に重要です。
この研究では、コネクテッド自動運転車 (CAV) が中央エージェントとして機能し、センサーと通信技術の両方を利用して自動運転車 (AV)、コネクテッド車両 (CV)、および自動運転車 (CV) で構成される周囲の交通を認識するシナリオに焦点を当てます。
人間駆動車両 (HDV)。
私たちの軌道予測タスクは、検出されたすべての周囲の車両を対象としています。
センサー技術と通信技術の両方からのマルチソース データを効果的に統合するために、マルチソース データ融合のためのクロスアテンション モジュールを利用した MSMA と呼ばれる深層学習フレームワークを提案します。
ベクター マップ データは、コンテキスト情報を提供するために利用されます。
軌跡データセットは、合成データ誤差が導入された状態で CARLA シミュレーターで収集されます。
数値実験では、混合交通流シナリオでは、さまざまなソースからのデータを統合することで環境への理解が深まることが実証されています。
これにより、特に CV 市場普及率が高い状況で、軌道予測の精度が著​​しく向上します。
コードは https://github.com/xichennn/MSMA から入手できます。

要約(オリジナル)

The prediction of surrounding vehicle trajectories is crucial for collision-free path planning. In this study, we focus on a scenario where a connected and autonomous vehicle (CAV) serves as the central agent, utilizing both sensors and communication technologies to perceive its surrounding traffics consisting of autonomous vehicles (AVs), connected vehicles (CVs), and human-driven vehicles (HDVs). Our trajectory prediction task is aimed at all the detected surrounding vehicles. To effectively integrate the multi-source data from both sensor and communication technologies, we propose a deep learning framework called MSMA utilizing a cross-attention module for multi-source data fusion. Vector map data is utilized to provide contextual information. The trajectory dataset is collected in CARLA simulator with synthesized data errors introduced. Numerical experiments demonstrate that in a mixed traffic flow scenario, the integration of data from different sources enhances our understanding of the environment. This notably improves trajectory prediction accuracy, particularly in situations with a high CV market penetration rate. The code is available at: https://github.com/xichennn/MSMA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google