Behavioral Intention Prediction in Driving Scenes: A Survey

要約

運転シーンでは、道路参加者は通常、周囲との頻繁なやり取りと意図の理解を示します。
エゴエージェント (各道路参加者自身) は、他の道路利用者がどのような行動を取るかを常に予測し、共有された一貫した理解を期待します。
たとえば、他の道路利用者の次の動きを予測し、予期しない事故を回避するために一貫した共同行動を期待する必要があります。
Behavioral Intention Prediction (BIP) は、このような人間の考慮プロセスをシミュレートし、特定の行動の開始時刻予測を実現することです。
近い将来、周囲の道路参加者が特定の行動 (横断、追い越し、方向転換など) を示すかどうかについて、特定の行動よりも早い段階で信号を提供します。
BIP では、ディープ ラーニング モデルに基づいてビッグ データを活用し、効果的な推論アプローチ (説明可能な推論、モダリティ間の融合、シミュレーションの拡張など) の開発に重点を置いた研究がますます増えています。
したがって、この作業では、軌道予測、行動予測、事故予測などの BIP 条件付き予測タスクに焦点を当て、この分野のさまざまな作業の違いを探ります。
この調査と調査結果に基づいて、行動意図予測における未解決の問題を議論し、将来の研究の方向性を提案します。

要約(オリジナル)

In the driving scene, the road participants usually show frequent interaction and intention understanding with the surrounding. Ego-agent (each road participant itself) conducts the prediction of what behavior will be done by other road users all the time and expects a shared and consistent understanding. For instance, we need to predict the next movement of other road users and expect a consistent joint action to avoid unexpected accident. Behavioral Intention Prediction (BIP) is to simulate such a human consideration process and fulfill the beginning time prediction of specific behaviors. It provides an earlier signal promptly than the specific behaviors for whether the surrounding road participants will present specific behavior (crossing, overtaking, and turning, etc.) in near future or not. More and more works in BIP are based on deep learning models to take advantage of big data, and focus on developing effective inference approaches (e.g., explainable inference, cross-modality fusion, and simulation augmentation). Therefore, in this work, we focus on BIP-conditioned prediction tasks, including trajectory prediction, behavior prediction, and accident prediction and explore the differences among various works in this field. Based on this investigation and the findings, we discuss the open problems in behavioral intention prediction and propose future research directions.

arxiv情報

著者 Jianwu Fang,Fan Wang,Peining Shen,Zhedong Zheng,Jianru Xue,Tat-seng Chua
発行日 2022-11-02 03:02:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV パーマリンク