EPN: An Ego Vehicle Planning-Informed Network for Target Trajectory Prediction

要約

軌道予測は、自動運転車の安全性と信頼性を向上させる上で重要な役割を果たし、認識と計画の間の中間リンクとして機能します。
ただし、このタスクは非常に動的でマルチモーダルな性質を持っているため、ターゲット車両の将来の軌道を正確に予測することは依然として大きな課題です。
これらの課題に対処するために、マルチモーダルな軌道予測のための自家車両計画情報ネットワーク (EPN) を提案します。
現在の軌道予測方法は通常、過去の軌道と車両の属性を入力として使用し、主に履歴情報がターゲット車両の将来の軌道にどのような影響を与えるかに焦点を当てています。
ただし、現実世界の運転シナリオでは、車両の将来の軌道は、その車両自体の履歴データだけでなく、道路上の他の車両の挙動にも影響されます。
これに対処するために、自車両の将来の計画軌道を追加入力として組み込み、自車両の計画軌道とターゲット車両の予測軌道との間の相互影響をシミュレートします。
さらに、運転意図に基づく方法で頻繁に遭遇する意図の曖昧さと大きな予測誤差の課題に取り組むために、ターゲットのエンドポイント予測モジュールを提案します。
このモジュールは、最初にターゲット車両の考えられる終点を予測し、次に補正メカニズムを通じてこれらの予測を改良し、最後に補正された終点に基づいて完全なマルチモーダル予測軌道を生成します。
実験結果は、他の軌道予測手法と比較して、EPN が NGSIM データセットの RMSE、ADE、および FDE 評価メトリクスで平均 34.9%、30.7%、および 30.4% の削減を達成し、平均で 64.6%、64.5% の削減を達成することを示しています。
HighD データセットの RMSE、ADE、および FDE では %、64.3% でした。
これらの結果は、軌道予測における EPN の優れたパフォーマンスを強調しています。

要約(オリジナル)

Trajectory prediction plays a crucial role in improving the safety and reliability of autonomous vehicles, serving as an intermediate link between perception and planning. However, due to the highly dynamic and multimodal nature of the task, accurately predicting the future trajectory of a target vehicle remains a significant challenge. To address these challenges, we propose an Ego vehicle Planning-informed Network (EPN) for multimodal trajectory prediction. Current trajectory prediction methods typically use the historical trajectory and vehicle attributes as inputs, focusing primarily on how historical information influences the future trajectory of the target vehicle. In real-world driving scenarios, however, the future trajectory of a vehicle is influenced not only by its own historical data but also by the behavior of other vehicles on the road. To address this, we incorporate the future planned trajectory of the ego vehicle as an additional input to simulate the mutual influence between the ego vehicle’s planned trajectory and the predicted trajectory of the target vehicle. Furthermore, to tackle the challenges of intention ambiguity and large prediction errors often encountered in methods based on driving intentions, we propose a target’s endpoint prediction module. This module first predicts the possible endpoints of the target vehicle, then refines these predictions through a correction mechanism, and finally generates a complete multimodal predicted trajectory based on the corrected endpoints. Experimental results demonstrate that, compared to other trajectory prediction methods, EPN achieves an average reduction of 34.9%, 30.7%, and 30.4% in RMSE, ADE, and FDE evaluation metrics on the NGSIM dataset, and an average reduction of 64.6%, 64.5%, and 64.3% in RMSE, ADE, and FDE on the HighD dataset. These results highlight the strong performance of EPN in trajectory prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google