Digital Object Identifier 10.1109/MITS.2021.3049404
Date of current version: 8 February 2021
这是一篇两年前的文章,撰写时间在三年前
Abstract
精准的车辆轨迹预测能够为许多智能驾驶系统带来好处,从交通模拟到辅助驾驶。这项能力的需求伴随着自动驾驶汽车的出现而出现,因为他们需要预测周围车辆的行驶轨迹,从而实现安全高效的导航。近来的研究表明基于深度学习的方法能够极大提升预测的准确度。然而,我们使用这些模型的主要困难在于模型的解释性很差。为了缓解这个问题,本文使用空间时间注意力长短期记忆方法来做工作。它是LSTM和时空注意力机制结合的用于车辆轨迹预测的可解释性模型。STA-LSTM不仅实现了sota的表现,更重要的是,它解释了历史轨迹同周围车辆对于目标车辆的影响。本文对于学习到的时空注意力的权重参数进行了深度的分析,尤其是对不同告诉场景下的不同车辆和环境因素下的变化。包括目标车辆的类型,位置,交通流的密度。毫无疑问,STALSTM能够捕获并解释精确的变道行为。数据和实现细节在GitHub上开源。
Introduction
自从第一届自动驾驶大赛举办开始,2005年,自动驾驶汽车吸引了来自学术界和工业界的大量关注。随着机器学习的迅猛发展,自动驾驶技术也有了长足的进步。如今有两种实现自动驾驶的主流方法。第一种是端到端的方法,即接受传感器数据,使用单一的模型(一个或多个神经网络的连体)控制命令。第二种是传统的工程方法,研发多个模型,如:检测、跟踪、预测、规划。然而这些方法各有优劣,因为自动驾驶汽车的安全性是首要的,传统的工程方法在近来盛行的原因,主要是模型的可解释性和可控性。
传统工程方法的一个至关重要的任务是预测自动驾驶汽车周围的汽车运行轨迹信息。这些信息有助于实现安全、鲁棒的驾驶。本文中,聚焦于高速路上的车辆轨迹预测,在高速路,主要的交通参与者是汽车和卡车。轨迹预测的对象是目标车辆,其他车辆作为周围车况。
在众多的技术中,循环神经网络RNN实现了最有的性能表现。因为RNN具有记忆功能,能够在时间维度上预测车辆的轨迹。车辆轨迹信息的长期依赖在memory 单元中有着非常重要的意义。
RNN有效,但是仍然缺乏足够的可解释性,尤其是长程信息嵌入历史轨迹中的方式和周围车辆信息之中的未知操作需要进一步解释。本文中,旨在回答以下几个问题:
1、目标车辆的历史轨迹和周边车辆的轨迹,这两部分哪一个才是影响车辆运行的主要因素。
2、影响目标车辆的周围车辆的重要性区分度是什么?
3、这些周围的车辆又会出现在哪里呢?
回答这些问题能够帮助我们更好地理解驾驶人员的决策过程,辨认驾驶风格,设计现实交通模拟模型和协助安全、有效的自动驾驶技术的发展。
在努力解答这些问题的同时,提出了STALSTM的模型。使用数据集 NGSIM
Next Generation Simulation Dataset.
[13] Next generation simulation (NGSIM). Federal Highway Administration. https://ops.fhwa.dot.gov/trafficanalysistools/ngsim.htm
本文贡献如下:
1、STA-LSTM
2、提出的注意力机制能够辨认重要的历史轨迹信息从而判定目标车辆的目标行为。
3、提出的注意力机制能够对周边的车辆进行重要性排序。
4、深度分析了注意力权重对路况中的车辆和环境的映射。
5、分析特定车辆的驾驶习惯,尤其是变道习惯,可以从注意力权重中找到解释。
Related Work:
vehicle trajectory prediction using traditional methods
共有三个类:基于物理的、基于机动的和交互感知的。
基于物理的通常考虑的是车辆的运动学动力约束,例如偏航速度,加速度和环境因素。例如道路摩擦系数。当这些方法可以实现短时间的移动预测,但对于前方紧急刹车这种情况的预测是做不到的。
基于机动的方法能够弥补物理方法的不足,对于驾驶人员的操作,如直走、左右转弯信息,预测车辆轨迹。例如:【15】 使用支持向量机推理驾驶人员对于当前路况是否变道的决策,【16】提出了贝叶斯方法预测长时间段的车辆轨迹,并且提供了临界的预测结果评估。【17】使用多层感知机预测车辆变道时的轨迹。
大多数基于物理和机动的方法对于车辆之间的交互因素是没有考虑的,这就催生了交互感知的方法,考虑车辆之间的相对独立性和联系的条件下预测车辆轨迹。为了提供一个例子,Gindele等人【18】建模了车辆之间的相互影响