Beim autonomen Fahren, genaue Vorhersage der Bewegungen des übrigen Verkehrs
Teilnehmer ist entscheidend, da es die Planung eines Fahrzeugs maßgeblich beeinflusst
Prozesse. Moderne Flugbahnvorhersagemodelle streben nach einer komplexen Interpretation
Muster und Abhängigkeiten aus Agenten- und Kartendaten. Der Bewegungstransformator (MTR)
Architektur und Folgearbeit definieren gemeinsam die genauesten Methoden
Benchmarks wie den Waymo Open Motion Benchmark. Das MTR-Modell verwendet
Vorgenerierte statische Absichtspunkte als anfängliche Zielpunkte für die Flugbahn
Vorhersage. Jedoch, Die statische Natur dieser Punkte führt häufig dazu
Fehlausrichtung mit Kartendaten in bestimmten Verkehrsszenarien, ergebend
undurchführbare oder unrealistische Zielpunkte. Unsere Forschung befasst sich mit dieser Einschränkung
durch die Integration szenenspezifischer dynamischer Intentionspunkte in das MTR-Modell. Das
Die Anpassung des MTR-Modells wurde auf dem Waymo Open Motion trainiert und evaluiert
Datensatz. Unsere Ergebnisse zeigen, dass die Einbeziehung dynamischer Absichtspunkte
hat einen erheblichen positiven Einfluss auf die Genauigkeit der Flugbahnvorhersage, besonders
für Vorhersagen über lange Zeithorizonte. Außerdem, Wir analysieren die Auswirkungen auf
Ground-Truth-Trajektorien, die nicht mit den Kartendaten übereinstimmen oder sind
illegale Manöver.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: