An efficient Deep Spatio-Temporal Context Aware decision Network (DST-CAN) for Predictive Manoeuvre Planning

要約

安全性と操縦の効率を確保するために、自動運転車 (AV) はセンサー情報を使用して周囲の車両の将来の意図を予測する必要があります。
AV が周囲の車両の将来の軌道を予測できれば、安全かつ効率的な操縦決定を行うことができます。
この論文では、AV の予測操縦計画のためのこのような深層時空間コンテキスト認識決定ネットワーク (DST-CAN) モデルを紹介します。
記憶ニューロン ネットワークは、周囲の車両の将来の軌道を予測するために使用されます。
運転環境の時空間情報 (過去、現在、および予測される将来の軌跡) は、コンテキスト認識グリッドに埋め込まれます。
提案された DST-CAN モデルは、これらのコンテキスト認識グリッドを畳み込みニューラル ネットワークへの入力として使用して、車両間の空間関係を理解し​​、安全で効率的な操縦の決定を決定します。
DST-CAN モデルは、高速道路での人間の運転行動の情報も使用します。
DST-CAN のパフォーマンス評価は、公開されている 2 つの NGSIM US-101 および I-80 データセットを使用して実行されました。
また、ルールベースのグラウンド トゥルースの決定は、DST-CAN によって生成された決定と比較されています。
この結果は、DST-CAN が、近隣車両の 3 秒間の予測軌跡を使用して、この予測を使用しない既存の方法と比較して、はるかに優れた決定を下せることを明確に示しています。

要約(オリジナル)

To ensure the safety and efficiency of its maneuvers, an Autonomous Vehicle (AV) should anticipate the future intentions of surrounding vehicles using its sensor information. If an AV can predict its surrounding vehicles’ future trajectories, it can make safe and efficient manoeuvre decisions. In this paper, we present such a Deep Spatio-Temporal Context-Aware decision Network (DST-CAN) model for predictive manoeuvre planning of AVs. A memory neuron network is used to predict future trajectories of its surrounding vehicles. The driving environment’s spatio-temporal information (past, present, and predicted future trajectories) are embedded into a context-aware grid. The proposed DST-CAN model employs these context-aware grids as inputs to a convolutional neural network to understand the spatial relationships between the vehicles and determine a safe and efficient manoeuvre decision. The DST-CAN model also uses information of human driving behavior on a highway. Performance evaluation of DST-CAN has been carried out using two publicly available NGSIM US-101 and I-80 datasets. Also, rule-based ground truth decisions have been compared with those generated by DST-CAN. The results clearly show that DST-CAN can make much better decisions with 3-sec of predicted trajectories of neighboring vehicles compared to currently existing methods that do not use this prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google