自动驾驶安全解决办法|预测其他车辆的行驶轨迹新高度‘leyu·乐鱼’

2024-11-07 00:41:01

在刚过去的CVPR上，isee牵头北京大学、加州大学洛杉矶分校、麻省理工学院联合公布了一项研究成果，称作多智能体张量融合（Multi－AgentTensorFusion，MATF）。该模型将多个代理的过去轨迹和场景编码为一个多代理张量，然后应用于卷积融合捕捉多代理之间的交互，同时保有代理的空间结构和场景。该模型用于对抗性损失来自学随机预测。通过在高速公路场景和行人挤迫场景的数据集的实验指出，该模型超过了最先进设备的预测精度。

驾车是一种社交活动。考虑一下这个场景中令人印象深刻印象的多主体社会交互（让人困惑的环岛路）：司机们在一个简单的场景中驾驶员，且同时基本维持安全性。

在于同一环境下的其他道路参与者近距离行经或交互的情况下，在无法掌控其他车辆的全部行经意图的情况下，人类驾驶员可以确保大概率的交通安全，是十分真是的。那么人类驾驶员又是如何原始这一伟业的呢？社会预测（Socialprediction）是驾驶员必不可少的一环人类驾驶员利用他们的社交智能来预测其他交通参与者未来的动作将如何依赖与自己以及场景的交互。通过预测附近的交通参与者的轨迹，驾驶员可以主动规划安全性的交互，尽可能减少当车祸再次发生将要再次发生时候作出诸如急刹车等其他应急反应。

然而，人类驾驶员总有一天无法几乎认同地预测另一辆车将不会继续执行怎样的轨迹。人类驾驶员一般来说正处于一种思维“他不会让讫么？”“他会忽然加快吧？”“他不会进多快呢？”的情况中。学会预测研究人员研发了一种神经网络架构，它可以从大规模数据中自学对其他轨迹展开概率预测。

研究人员的方法只考虑到在驾驶员过程中搜集的训练数据，尽量构建在环境、场景、车辆和代理的类型（卡车、轿车、公共汽车、摩托车、自行车、行人等）之间的一般化。iess牵头北京大学、南加州大学、麻省理工共同开发的新方法，称作多智能体张量融合（Multi－AgentTensorFusion，MATF）。通过在一个多智能体张量（MAT）回应中偏移场景特征和智能体轨迹特征，融合了空间和以智能体为中心回应的优势，如下右图。MAT编码通过卷积运算大自然处置场景与有所不同数量的代理，并预测场景中所有代理的轨迹的计算出来复杂度是线性的。

GAN训练容许MATF学会预测的产于轨迹捕捉局势将如何发展的不确定性。MATF学会了预测关节轨迹，这可以说明车辆之间诸如滑行和拐弯等对话不道德。

这是MATF体系结构的详尽解释。MATF体系结构首先对场景的所有涉及信息展开编码，然后用一个迭代神经网络对每个代理的过去轨迹展开处置，对每个代理的所有涉及信息展开编码。

然后，网络将场景和代理特征在空间上偏移成一个多代理张量，在场景中保有所有的局部和非局部空间关系。然后，利用自学的全卷积同构展开多智能体张量融合，获得融合后的多智能体张量作为多智能体驱动场景的最后编码。卷积同构对于每个代理都是一样的，它捕猎所有代理之间的空间关系和交互，同时限于于场景中的所有代理。

然后，MATF方法从融合的多智能体张量中自学概率解码信息，分解对场景特征和周围智能体轨迹脆弱的预测轨迹。我们用于条件分解反求网络（GAN）训练技术，在等价MATF编码的情况下，自学轨迹上的概率分布。GANs容许自学低保真度的分解模型来捕捉观测数据的产于。

在驾驶员环境中，产于的模式对应于车辆或行人有可能继续执行的有所不同机动，例如追随车道／路径和转变车道／路径。每个模式周围的产于对应于机动继续执行的方式，如慢、快、主动、慎重等。甘斯很大自然地捕捉到了这两种变化。

最重要的是，我们的GAN算法训练模型分解关节轨迹，该轨迹考虑到了车辆之间的相互作用，如屈服和避碰。结论研究人员首先应用于他们的模型来自学预测车辆轨迹（其中，大规模驾驶员数据由isee搜集）。右图表明了五种场景，每种车辆过去的轨迹以有所不同的颜色表明，后面是100条取样的未来轨迹。

地面实际再次发生的轨迹用黑色回应，车道中心用灰色回应。（a）表明了牵涉到五辆车的简单情况；MATF准确地预测了所有车辆的轨迹和速度剖面。在（b）中，MATF正确地预测出红色车辆将已完成换道。在（c）中，MATF捕捉到红色车辆否不会从高速公路出口驶进的不确定性。

在（d）中，一旦紫色的车辆通过高速公路出口，MATF预测它会从高速公路出口通过。（e）中，MATF没能精确预测红色车辆的地面现实轨迹；但是，预测车辆将在少量的取样轨迹中启动变道机动，这体现了从数据集中学习到的自发性变道的较低先验概率。接下来，研究人员将他们的模型应用于到自学中，从斯坦福无人机数据集中于预测行人和其他多种类型的代理的轨迹。

斯坦福无人机数据集是一个大型且先进设备的数据集，其中包括行人、骑马自行车的人、滑板者、手推车、小汽车和在大学校园中行经的公共汽车的轨迹。右图中，蓝线回应过去的轨迹，红线回应地面现实轨迹，绿线回应预测轨迹。图中右图的所有代理的轨迹都是通过一个前向迭代网络来牵头预测的。

该模型预测：（1）两个从顶部转入环形交叉口的代理将从左侧解散；（2）在环形交叉口上方的通路上，左侧来的一个代理向左弯道，向图像顶部移动；（3）一个减速机在上述建筑物的门口和镖处的右侧滑行。另一个虽然告终但却很有意思的案例（4）中，一个坐落于环形交叉口右上角的代理正在右转，以移动到图像的顶部；该模型可以预测弯道，但没能精确预测弯道角度。

本文来源：leyu·乐鱼-www.hzsxl.com