MSMA: Multi-agent Trajectory Prediction in Connected and Autonomous Vehicle Environment with Multi-source Data Integration

要約

衝突のない進路計画を行うためには、周辺車両の軌跡を予測することが重要である。本研究では、自律走行車両（CAV）が中心的なエージェントとなり、自律走行車両（AV）、コネクテッドビークル（CV）、人間駆動車両（HDV）から構成される周辺交通を知覚するために、センサーと通信技術の両方を利用するシナリオに焦点を当てる。我々の軌道予測タスクは、検出されたすべての周辺車両を対象としている。センサーと通信技術の両方からのマルチソースデータを効果的に統合するために、マルチソースデータフュージョンのためのクロスアテンションモジュールを利用したMSMAと呼ばれるディープラーニングフレームワークを提案する。ベクトル地図データは文脈情報を提供するために利用される。軌跡データセットはCARLAシミュレータで収集され、合成されたデータエラーが導入される。数値実験により、混合交通流シナリオにおいて、異なるソースからのデータを統合することで、環境に対する理解が深まることが実証された。これにより、特にCV市場の普及率が高い状況において、軌跡予測精度が顕著に向上する。コードはhttps://github.com/xichennn/MSMA。

要約(オリジナル)

The prediction of surrounding vehicle trajectories is crucial for collision-free path planning. In this study, we focus on a scenario where a connected and autonomous vehicle (CAV) serves as the central agent, utilizing both sensors and communication technologies to perceive its surrounding traffics consisting of autonomous vehicles (AVs), connected vehicles (CVs), and human-driven vehicles (HDVs). Our trajectory prediction task is aimed at all the detected surrounding vehicles. To effectively integrate the multi-source data from both sensor and communication technologies, we propose a deep learning framework called MSMA utilizing a cross-attention module for multi-source data fusion. Vector map data is utilized to provide contextual information. The trajectory dataset is collected in CARLA simulator with synthesized data errors introduced. Numerical experiments demonstrate that in a mixed traffic flow scenario, the integration of data from different sources enhances our understanding of the environment. This notably improves trajectory prediction accuracy, particularly in situations with a high CV market penetration rate. The code is available at: https://github.com/xichennn/MSMA.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL