Real-World Deployment of a Lane Change Prediction Architecture Based on Knowledge Graph Embeddings and Bayesian Inference

要約

レーン変化予測に関する研究は、ここ数年で多くの勢いを獲得しました。
ただし、ほとんどの研究は、データセットから得られたシミュレーションまたは結果に限定されており、アルゴリズムの進歩とオンロード展開の間にギャップを残しています。
この作業は、知識グラフ埋め込み（KGE）とベイジアン推論に基づいたレーン変更予測システムを実証することにより、そのギャップを閉じます。
さらに、エゴベヒクルは縦方向のブレーキング作用を採用して、それ自体と周囲の車両の両方の安全性を確保しています。
私たちのアーキテクチャは、次の2つのモジュールで構成されています。（i）環境を感知し、入力数値の特徴を導き出し、それらを言語カテゴリに変換する知覚モジュール。
それらを予測モジュールに伝えます。
（ii）KGEおよびベイジアン推論モデルを実行してターゲットビークルの操作を予測し、予測を縦方向のブレーキアクションに変換する前処理された予測モジュール。
現実世界のハードウェア実験的検証は、予測システムがターゲットビークルの車線が事前に3〜4秒変化することを予測し、エゴ車両に反応するのに十分な時間を提供し、ターゲット車両が車線を安全に変更できるようにすることを示しています。

要約(オリジナル)

Research on lane change prediction has gained a lot of momentum in the last couple of years. However, most research is confined to simulation or results obtained from datasets, leaving a gap between algorithmic advances and on-road deployment. This work closes that gap by demonstrating, on real hardware, a lane-change prediction system based on Knowledge Graph Embeddings (KGEs) and Bayesian inference. Moreover, the ego-vehicle employs a longitudinal braking action to ensure the safety of both itself and the surrounding vehicles. Our architecture consists of two modules: (i) a perception module that senses the environment, derives input numerical features, and converts them into linguistic categories; and communicates them to the prediction module; (ii) a pretrained prediction module that executes a KGE and Bayesian inference model to anticipate the target vehicle’s maneuver and transforms the prediction into longitudinal braking action. Real-world hardware experimental validation demonstrates that our prediction system anticipates the target vehicle’s lane change three to four seconds in advance, providing the ego vehicle sufficient time to react and allowing the target vehicle to make the lane change safely.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google