DEMO: A Dynamics-Enhanced Learning Model for Multi-Horizon Trajectory Prediction in Autonomous Vehicles

要約

自動運転車 (AV) は、周囲の車両の正確な軌道予測に依存して、乗客と他の道路利用者の両方の安全を確保します。
軌道予測は短期と長期の両方の範囲に及び、それぞれに異なる考慮事項が必要です。短期予測は車両のダイナミクスを正確に捉えることに依存し、長期予測は環境内の相互作用パターンを正確にモデル化することに依存します。
しかし、現在のアプローチは、物理ベースのモデルであっても、学習ベースのモデルであっても、常にこれらの明確な考慮事項を無視しているため、短期と長期の両方について最適な予測を見つけるのに苦労しています。
このペーパーでは、物理ベースの車両ダイナミクス モデルと高度な深層学習アルゴリズムを組み合わせた新しいアプローチであるダイナミクス強化学習モデル (DEMO) を紹介します。
DEMO は、ダイナミクス学習ステージとインタラクション学習ステージの 2 段階のアーキテクチャを採用しており、前者のステージは車両運動ダイナミクスのキャプチャに重点を置き、後者はインタラクションのモデリングに重点を置いています。
両方の手法のそれぞれの長所を活用することで、DEMO は将来の軌道のマルチホライズン予測を容易にします。
次世代シミュレーション (NGSIM)、マカオ コネクテッド自動運転 (MoCAD)、高速道路ドローン (HighD)、および nuScenes データセットの実験結果は、DEMO が短期および長期の両方で最先端 (SOTA) ベースラインを上回るパフォーマンスを示しています。
– ターム予測の地平線。

要約(オリジナル)

Autonomous vehicles (AVs) rely on accurate trajectory prediction of surrounding vehicles to ensure the safety of both passengers and other road users. Trajectory prediction spans both short-term and long-term horizons, each requiring distinct considerations: short-term predictions rely on accurately capturing the vehicle’s dynamics, while long-term predictions rely on accurately modeling the interaction patterns within the environment. However current approaches, either physics-based or learning-based models, always ignore these distinct considerations, making them struggle to find the optimal prediction for both short-term and long-term horizon. In this paper, we introduce the Dynamics-Enhanced Learning MOdel (DEMO), a novel approach that combines a physics-based Vehicle Dynamics Model with advanced deep learning algorithms. DEMO employs a two-stage architecture, featuring a Dynamics Learning Stage and an Interaction Learning Stage, where the former stage focuses on capturing vehicle motion dynamics and the latter focuses on modeling interaction. By capitalizing on the respective strengths of both methods, DEMO facilitates multi-horizon predictions for future trajectories. Experimental results on the Next Generation Simulation (NGSIM), Macau Connected Autonomous Driving (MoCAD), Highway Drone (HighD), and nuScenes datasets demonstrate that DEMO outperforms state-of-the-art (SOTA) baselines in both short-term and long-term prediction horizons.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google