自动驾驶安全解决办法|预测其他车辆的行驶轨迹新高度|亚博app

本文摘要:最近,在CVPR中,isee由北京大学、加利福尼亚大学洛杉矶分校和MIT共同发表了一项名为多代理张量融合(Multi-AgentTensorFusion,MATF)的研究结果。

亚博app

最近,在CVPR中,isee由北京大学、加利福尼亚大学洛杉矶分校和MIT共同发表了一项名为多代理张量融合(Multi-AgentTensorFusion,MATF)的研究结果。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,然后应用卷积融合,捕捉多个代理之间的交互,同时保持代理的空间结构和场景。该模型用于自我学习随机预测的阻力损失。通过高速公路场景和行人压迫场景数据集的实验,表明该模型超过了最先进设备的预测精度。

开车是一种社交活动。请考虑在这个场景中给人留下深刻印象的多主体社会互动(困惑的岛屿道路)。

司机们在简单的场景中开车,基本上保持安全。在同一环境下,其他道路参与者进行近距离通行或相互作用时,在无法控制其他车辆的所有通行意图的情况下,人类驾驶员能够保证大概率的交通安全,这是事实。

那么,人类驾驶员是如何使这项伟业原始化的呢?社会预测(Socialprediction)是驾驶员不可缺少的一部分,人类驾驶员利用他们的社交智能预测其他交通参与者今后的动作如何依赖自己和场景的相互作用。通过预测附近交通参与者的轨迹,驾驶员可以积极规划安全的相互作用,以便在交通事故再次发生时最大限度地减少其他应急反应,如紧急停车。

然而,人类飞行员几乎不能同意有一天其他车不会继续进行某一轨迹。人类驾驶员一般处于一种思维中。“他不会让步吗?”“”他会突然加速吗?单击“他进不去有多快?”对于。

亚博app手机版

研究人员开发了神经网络体系结构,使他们能够从大规模数据中自学对其他轨迹的概率预测。研究人员的方法考虑到驾驶员过程中收集的训练数据,努力在环境、场景、车辆、代理类型(卡车、轿车、公共汽车、摩托车、自行车、行人等)之间进行一般化。Iess正在领导由北京大学、南加州大学和麻省理工学院共同开发的新方法,称为多代理张量融合(Multi-AgentTensorFusion,MATF)。

如下图所示,在多代理张量(MAT)响应中偏移场景特征和代理轨迹特征,将空间和代理中心响应的优点结合起来。MAT编码通过对不同于自然处理场景的代理进行卷积运算,预测场景中所有代理的轨迹,预测计算复杂性为线性。GAN训练允许MATF学会预测的轨迹捕捉情况如何发展的不确定性。

MATF学会了预测关节轨迹,这表明车辆之间的滑行和旋转等对话是不道德的。这是对MATF体系结构的详细说明。MATF体系结构首先对场景中的所有相关信息进行编码,然后使用迭代神经网络处理每个代理的过去轨迹,并对每个代理的所有相关信息进行编码。

然后,网络将场景和代理特征从空间偏移到多个代理张量,在场景中保持所有局部和非局部空间关系。然后,利用自学的全体积同构,扩展多代理张量融合,将融合的多代理张量导入到多代理驱动场景的最后编码中。

卷积同构对每个代理都是相同的,猎杀所有代理之间的空间关系和相互作用,并且仅限于场景中的所有代理。然后,MATF方法在融合的多代理张量中自学概率解码信息,分解易受场景特征和周围代理轨迹影响的预测轨迹。

我们使用条件分解反向网络(GAN)训练技术,同等MATF编码的情况下,我们使用自学轨迹的概率分布。GANs可以自学低保真度的分解模型,以捕获观察数据的生产。驾驶员环境下生产的模式对应于汽车或行人可以继续执行的各种机动(例如,车道/路径跟随和转换车道/路径)。

亚博app

但是预测车辆在少量取样轨道上开始变道机动。这反映了从数据集学到的自发变化率较低的先验概率。

接下来,研究人员将模型应用于自我学习,重点是从斯坦福无人机数据预测行人和其他多种代理类型的轨迹。斯坦福无人机数据集是大型先进设备的数据集,包括步行者、骑自行车者、滑板、购物车、汽车和大学校园中经过的公共汽车的轨迹。在右图中,蓝线响应历史轨迹,红线响应地面实际轨迹,绿线响应预测轨迹。

图右图中所有代理的轨迹通过正向迭代网络主导预测。该模型预测(1)从顶部移动到环形交叉口的两个代理将从左侧解散。(2)在环形交叉口上方的过程中,左侧的一个代理沿左侧弯道移动到图像顶部。(3)一台减速器在上述建筑物的入口和飞镖的右侧滑行。

虽然结束了,但在另一个有趣的例子(4)中,位于环形交叉口右上角的代理正转向右侧,移动到图像的顶部。该模型可以预测曲线道路,但不能准确预测曲线角度。

本文关键词:亚博app手机版,亚博app手机版,亚博app

本文来源:亚博app手机版-www.lesvos4x4.com