An Integrating Comprehensive Trajectory Prediction with Risk Potential Field Method for Autonomous Driving

2024年04月01日
  • 简介
    本文探讨了在自动驾驶中,由于交通参与者意图的不确定性,如何在交互驾驶场景中生成安全但不过于谨慎的行为,这仍然是一个艰巨的挑战。我们通过将基于深度学习的轨迹预测模型与基于风险潜力场的运动规划相结合来解决这个问题。为了全面预测其他车辆可能的未来轨迹,我们提出了一种基于目标区域的轨迹预测模型(TRTP),它考虑了车辆未来可能到达的每个区域。之后,我们根据TRTP的预测结果在每个未来时间步骤上构建一个风险潜力场,并将风险值集成到模型预测轮廓控制(MPCC)的目标函数中。这使得在规划过程中考虑了其他车辆的不确定性。在安全驾驶和效率之间取得平衡,可以同时实现驾驶的安全性和效率。我们还在CARLA模拟器中展示了我们的方法的安全性和有效性表现。
  • 图表
  • 解决问题
    论文旨在解决自动驾驶中的安全性和效率问题,通过结合深度学习轨迹预测模型和基于风险潜力场的运动规划来实现。
  • 关键思路
    论文提出了一种基于目标区域的轨迹预测模型(TRTP),并在此基础上构建了风险潜力场,将风险值整合到模型预测轮廓控制(MPCC)的目标函数中,以平衡驾驶安全和效率。
  • 其它亮点
    论文在CARLA模拟器中展示了该方法的安全性和有效性表现。实验设计合理,使用了公开数据集,但未开源代码。该方法可用于自动驾驶领域的进一步研究。
  • 相关研究
    相关研究包括:1)基于深度学习的轨迹预测模型;2)基于规划的自动驾驶系统。其中,与本文最相关的研究包括:1)End-to-End Learning of Driving Models from Large-Scale Video Datasets;2)A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论