Hybrid Machine Learning Model with a Constrained Action Space for Trajectory Prediction

要約

軌道予測は自動運転を推進し、安全性と効率を向上させるために不可欠です。
深層学習に基づくエンドツーエンドのモデルには大きな可能性がありますが、車両の動的制限が考慮されていないことが多く、非現実的な予測につながります。
この問題に対処するために、この研究では深層学習と運動学的な運動モデルを組み合わせた新しいハイブリッド モデルを導入しています。
加速度やヨーレートなどのオブジェクトの属性を予測し、それらに基づいて軌道を生成できます。
主な貢献は、深層学習モデルの学習目標に専門知識を組み込んだことです。
これにより、利用可能なアクション空間が制限されるため、物理的に実現可能なオブジェクトの属性と軌道の予測が可能になり、安全性と堅牢性が向上します。
提案されたハイブリッド モデルは解釈可能性の向上を促進し、それによって深層学習手法の信頼性が強化され、安全な計画ソリューションの開発が促進されます。
公開されている現実世界の Argoverse データセットで行われた実験では現実的な運転行動が実証され、ベンチマーク比較とアブレーション研究では有望な結果が示されています。

要約(オリジナル)

Trajectory prediction is crucial to advance autonomous driving, improving safety, and efficiency. Although end-to-end models based on deep learning have great potential, they often do not consider vehicle dynamic limitations, leading to unrealistic predictions. To address this problem, this work introduces a novel hybrid model that combines deep learning with a kinematic motion model. It is able to predict object attributes such as acceleration and yaw rate and generate trajectories based on them. A key contribution is the incorporation of expert knowledge into the learning objective of the deep learning model. This results in the constraint of the available action space, thus enabling the prediction of physically feasible object attributes and trajectories, thereby increasing safety and robustness. The proposed hybrid model facilitates enhanced interpretability, thereby reinforcing the trustworthiness of deep learning methods and promoting the development of safe planning solutions. Experiments conducted on the publicly available real-world Argoverse dataset demonstrate realistic driving behaviour, with benchmark comparisons and ablation studies showing promising results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google