Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios

轨迹预测对于智能车辆实现高级别自主驾驶至关重要，最近已经取得了许多相关研究成果。尽管快速发展，但大多数现有研究仅关注正常安全场景，而在很大程度上忽视了涉及即将发生碰撞的安全关键场景。这种疏忽可能导致自主车辆在这种情况下缺乏必要的预测能力，对安全构成重大威胁。为了解决这些问题，本文提出了一个针对安全关键场景量身定制的风险感知轨迹预测框架。利用独特的危险特征，我们开发了三个核心的风险感知组件。首先，我们引入了一个风险合并的场景编码器，将定量风险信息与传统编码器相结合，实现对危险场景上下文的风险感知编码。接下来，我们在解码器中引入了终点风险合并的意图查询作为预测先验，以确保预测的多模态轨迹覆盖各种空间意图和风险水平。最后，实施辅助风险预测任务以实现最终的风险感知预测。此外，为了支持模型训练和性能评估，我们引入了一个安全关键轨迹预测数据集和量身定制的评估指标。我们进行了全面的评估，并将我们的模型与几个SOTA模型进行了比较。结果表明，我们的模型表现优异，在大多数指标上都有显着改进。这种预测进步使自主车辆能够在安全关键场景下执行正确的避碰机动，最终提高道路交通安全性。

本论文旨在解决自动驾驶车辆在安全关键场景下的轨迹预测问题，提出了一种风险感知的轨迹预测框架。

本论文的核心思路是针对安全关键场景下的轨迹预测问题，提出了一种风险感知的框架，其中包括风险感知的场景编码器、终点风险结合的意图查询以及辅助的风险预测任务。

本论文提出了一种风险感知的轨迹预测框架，并介绍了相应的数据集和评估指标。实验结果表明，该框架在大多数指标上具有显著的优越性能。

近期在该领域的相关研究包括：Trajectron++: Multi-Agent Generative Trajectory Forecasting With Heterogeneous Data、Multi-Modal Trajectory Prediction for Autonomous Driving using Deep Convolutional Networks等。