Graph-based Trajectory Prediction with Cooperative Information

要約

自動運転の場合、複雑な交通状況における他の道路利用者の将来の軌跡を予測することは困難な問題です。
最新のニューラル ネットワークは、交通参加者の過去の軌跡と地図データを使用して、ドライバーの意図と可能性のある操作に関するヒントを収集します。
自動車と他の交通関係者との間の接続性が高まるにつれて、協調情報は、軌道予測アルゴリズムの入力として使用できるもう 1 つのデータ ソースになります。
接続されたアクターは、意図したパスを他のアクターに送信したり、計画された軌道を完了したりする場合があります。これにより、課せられた制約により予測の問題が単純化されます。
この研究では、このデータ ソースを軌道予測に使用する利点を概説し、この追加データを活用できるグラフベースのニューラル ネットワーク アーキテクチャを提案します。
協調データが存在する場合、ネットワークのパフォーマンスが大幅に向上することを示します。
また、私たちが提案したトレーニングスキームは、協力情報が利用できない場合でもネットワークのパフォーマンスを向上させます。
また、ネットワークが不正確な協調データを処理できるため、実際の自動運転環境での使用が可能になることも示します。

要約(オリジナル)

For automated driving, predicting the future trajectories of other road users in complex traffic situations is a hard problem. Modern neural networks use the past trajectories of traffic participants as well as map data to gather hints about the possible driver intention and likely maneuvers. With increasing connectivity between cars and other traffic actors, cooperative information is another source of data that can be used as inputs for trajectory prediction algorithms. Connected actors might transmit their intended path or even complete planned trajectories to other actors, which simplifies the prediction problem due to the imposed constraints. In this work, we outline the benefits of using this source of data for trajectory prediction and propose a graph-based neural network architecture that can leverage this additional data. We show that the network performance increases substantially if cooperative data is present. Also, our proposed training scheme improves the network’s performance even for cases where no cooperative information is available. We also show that the network can deal with inaccurate cooperative data, which allows it to be used in real automated driving environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google