Прогнозирование поведения участников дорожного движения в условиях проселочных дорог для беспилотных автомобилей
Автор: Иванов С.А., Рашид Б.
Журнал: Вестник Донского государственного технического университета @vestnik-donstu
Рубрика: Информатика, вычислительная техника и управление
Статья в выпуске: 2 т.23, 2023 года.
Бесплатный доступ
Введение. Благодаря модулю прогнозирования траекторий движения динамических объектов беспилотный автомобиль способен безопасно двигаться по дорогам общего пользования. Однако все современные методы прогнозирования оценивают производительность только в городских условиях и не рассматривают свою применимость к домену проселочных дорог. Цель данного исследования заключается в анализе адаптивности существующих методов прогнозирования и разработке подхода, который будет демонстрировать лучшую производительность при работе в новых условиях.Материалы и методы. В качестве решения предлагается использовать нейронную сеть, включающую в себя следующие подмодули: графовый кодировщик сцены, мультимодальный декодировщик траекторий, модуль фильтрации траекторий. Также предлагается применить адаптированную функцию потерь, которая штрафует сеть за генерацию траекторий, выходящих за границы дорожного полотна. Данные элементы задействуют распространённые практики решения задачи прогнозирования, а также адаптируют её для домена проселочных дорог.Результаты исследования. Проанализированы основные отличия и условия работы модуля прогнозирования в условиях проселочных дорог. Выполнена симуляция нового домена путем модификации существующих наборов данных. Проведено сравнение популярных методов прогнозирования и оценена их применимость к новым условиям. Представлен новый, более адаптивный к новому домену, подход.Обсуждение и заключение. Проведенное сравнение с другими популярными методами показывает, что предложенное авторами решение обеспечивает более точные результаты прогнозирования. Также были выявлены недостатки предложенного подхода и описаны возможные пути их устранения.
Прогнозирование траекторий, прогнозирование поведения, нейронные сети, беспилотные автомобили, искусственный интеллект, автономные автомобили
Короткий адрес: https://sciup.org/142238864
IDR: 142238864 | DOI: 10.23947/2687-1653-2023-23-2-169-179
Список литературы Прогнозирование поведения участников дорожного движения в условиях проселочных дорог для беспилотных автомобилей
- Qing Rao, Jelena Frtunikj. Deep Learning for Self-Driving Cars: Chances and Challenges. In: Proc. 1st International Workshop on Software Engineering for AI in Autonomous Systems. New York, NY: Association for Computing Machinery; 2018. P. 35-38. https://doi.org/10.1145/3194085.3194087
- Shaoshan Liu, Liyun Li, Jie Tang, et al. Creating Autonomous Vehicle Systems. San Rafael, CA: Morgan & Claypool; 2020. 216 p.
- Jiyang Gao, Chen Sun, Hang Zhao, et al. VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation. In: Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle, WA: IEEE; 2020. P. 11525-11533. https://doi.org/10.48550/arXiv.2005.04259
- Henggang Cui, Vladan Radosavljevic, Fang-Chieh Chou, et al. Multimodal Trajectory Predictions for Autonomous Driving Using Deep Convolutional Networks. In: Proc. IEEE International Conference on Robotics and Automation (ICRA). Montreal, BC: IEEE; 2019. P. 2090-2096. https://doi.org/10.48550/arXiv.1809.10732
- Tung Phan-Minh, Elena Corina Grigore, Freddy A. Boulton, et al. CoverNet: Multimodal Behavior Prediction Using Trajectory Sets. In: Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle, WA: IEEE; 2020. P. 14074-14083. https://doi.org/10.48550/arXiv.1911.10298
- Abduallah Mohamed, Kun Qian, Mohamed Elhoseiny, et al. Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction. In: Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle, WA: IEEE; 2020. P. 14424-14432. https://doi.org/10.48550/arXiv.2002.11927
- Biktairov Yu., Stebelev M., Rudenko I., et al. PRANK: Motion Prediction Based on RANKing. In: Neural Information Processing Systems. Vancouver: Virtual Conference; 2020. P. 2553-2563. https://doi.org/10.48550/arXiv.2010.12007
- Yuning Chai, Benjamin Sapp, Mayank Bansal, et al. MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction. Proceedings of the Conference on Robot Learning. 2020;100:86-99. https://doi.org/10.48550/arXiv.1910.05449
- Ajay Jain, Sergio Casas, Renjie Liao, et al. Discrete Residual Flow for Probabilistic Pedestrian Behavior Prediction. In: Proc. 3rd Conference on Robot Learning. Proceedings of Machine Learning Research. 2019;100:407-419. « https://doi.org/10.48550/arXiv.1910.08041 g
- Hang Zhao, Jiyang Gao, Tian Lan, et al. TNT: Target-driveN Trajectory Prediction. In: Conference on Robot ^ Learning. Cambridge, MA: Virtual Conference; 2020. P. 895-904. https://doi.org/10.48550/arXiv.2008.08294 к
- Junru Gu, Chen Sun, Hang Zhao. Dense TNT: End-to-end Trajectory Prediction from Dense Goal Sets. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. Montreal, BC: IEEE; 2021. p P. 15303-15312. https://doi.org/10.48550/arXiv.2108.09640 н
- Prévost C.G., Desbiens A., Gagnon E. Extended Kalman Filter for State Estimation and Trajectory Prediction of д a Moving Object Detected by an Unmanned Aerial Vehicle. In: Proceedings of the American Control Conference. New Й York, NY: IEEE; 2007. P. 1805-1810. https://doi.org/10.1109/ACC.2007.4282823 g
- Zeyu Zhu, Nan Li, Ruoyu Sun, et al. Off-road Autonomous Vehicles Traversability Analysis and Trajectory Planning Based on Deep Inverse Reinforcement Learning. In: IEEE Intelligent Vehicles Symposium (IV). Las Vegas, g NV: IEEE; 2020. P. 971-977. https://doi.org/10.1109/IV47402.2020.9304721
- Mig-Fang Chang, John Lambert, Patsorn Sangkloy, et al. Argoverse: 3D Tracking and Forecasting with Rich Maps. In: Proc. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA: g IEEE; 2019. P. 8748-8757. https://doi.org/10.1109/CVPR.2019.00895 &
- Casas S., Gulino C., Suo S., et al. The Importance of Prior Knowledge in Precise Multimodal Prediction. In: «2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Las Vegas, NV: IEEE; 2020. P. 2295-2302. https://doi.org/10.48550/arXiv.2006.02636
