En conduite autonome, prédire avec précision les mouvements des autres véhicules
les participants sont essentiels, car cela influence considérablement la planification d’un véhicule
processus. Les modèles modernes de prédiction de trajectoire s’efforcent d’interpréter des
modèles et dépendances à partir des données d'agent et de carte. Le transformateur de mouvement (MTR)
l'architecture et les travaux ultérieurs définissent les méthodes les plus précises en commun
des benchmarks tels que le Waymo Open Motion Benchmark. Le modèle MTR emploie
points d'intention statiques pré-générés comme points d'objectif initiaux pour la trajectoire
prédiction. Cependant, le caractère statique de ces points conduit fréquemment à
désalignement avec les données cartographiques dans des scénarios de trafic spécifiques, résultant en
points d'objectif irréalisables ou irréalistes. Notre recherche aborde cette limitation
en intégrant des points d'intention dynamiques spécifiques à la scène dans le modèle MTR. Ce
L'adaptation du modèle MTR a été formée et évaluée sur le Waymo Open Motion
Ensemble de données. Nos résultats démontrent que l'intégration de points d'intention dynamiques
a un impact positif significatif sur la précision de la prédiction de trajectoire, en particulier
pour des prévisions à long terme. En outre, nous analysons l'impact sur
des trajectoires de vérité terrain qui ne sont pas conformes aux données cartographiques ou qui sont
manœuvres illégales.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: