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を改善する上で重要な役割を果たします。
ただし、タスクの非常に動的でマルチモーダルな性質のため、ターゲット車両の将来の軌跡を正確に予測することは依然として重要な課題です。
この課題に対処するために、マルチモーダル軌道予測のためのエゴ車両計画情報ネットワーク（EPN）を提案します。
現実世界の運転では、車両の将来の軌跡は、それ自体の歴史的軌跡だけでなく、他の車両の行動によっても影響を受けます。
したがって、私たちは、車両間の相互の影響をシミュレートするための追加の入力として、エゴ車両の将来の計画された軌跡を組み込みます。
さらに、意図のあいまいさの課題と、運転の意図に基づいた方法でしばしば遭遇する大きな予測エラーに取り組むために、ターゲット車両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、ターゲットビークルエンドポイントを予測し、修正メカニズムを使用してそれらを改良し、マルチモーダル予測軌道を生成します。
実験結果は、EPNがNGSIMデータセットでRMSE、ADE、およびFDEで34.9％、30.7％、および30.4％の平均減少を達成し、RMSEで64.6％、64.5％、64.3％の平均減少、ADE、
highDデータセットのFDE。
コードは、手紙が受け入れられた後に開かれます。

要約(オリジナル)

Trajectory prediction plays a crucial role in improving the safety of autonomous vehicles. 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 this challenge, we propose an Ego vehicle Planning-informed Network (EPN) for multimodal trajectory prediction. In real-world driving, the future trajectory of a vehicle is influenced not only by its own historical trajectory, but also by the behavior of other vehicles. So, we incorporate the future planned trajectory of the ego vehicle as an additional input to simulate the mutual influence between vehicles. Furthermore, to tackle the challenges of intention ambiguity and large prediction errors often encountered in methods based on driving intentions, we propose an endpoint prediction module for the target vehicle. This module predicts the target vehicle endpoints, refines them using a correction mechanism, and generates a multimodal predicted trajectory. Experimental results demonstrate that EPN achieves an average reduction of 34.9%, 30.7%, and 30.4% in RMSE, ADE, and FDE 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. The code will be open sourced after the letter is accepted.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google