Langfristige Bordvorhersage von Personen in Verkehrsszenen unter Unsicherheit

Der Fortschritt bei fortgeschrittenen Systemen für assistiertes und autonomes Fahren nutzt die jüngsten Fortschritte in den Methoden der Objekterkennung und -segmentierung. Dennoch stehen wir weiterhin vor Herausforderungen, wenn es darum geht, verlässliches Fahren in Innenstädten zu realisieren, da diese aus hoch dynamischen Szenen bestehen, die von einer sich bewegenden Plattform bei erheblichen Geschwindigkeiten beobachtet werden. Die Vorhersage wird zu einem entscheidenden Element, um rechtzeitig zu reagieren und Unfälle zu verhindern. In dieser Arbeit argumentieren wir dafür, dass eine Vorhersage von mindestens 1 Sekunde notwendig ist, und schlagen daher ein neues Modell vor, das Ego-Bewegung und Bewegungsverläufe von Personen über solch lange Zeithorizonte gemeinsam vorhersagt. Wir legen besonderen Wert auf die Modellierung der Unsicherheit unserer Schätzungen, die aus dem nicht deterministischen Charakter natürlicher Verkehrsszenarien resultiert. Unsere experimentellen Ergebnisse zeigen, dass es tatsächlich möglich ist, Bewegungsverläufe von Personen über die gewünschten Zeithorizonte vorherzusagen und dass unsere Unsicherheitsschätzungen informativ für den Vorhersagefehler sind. Zudem weisen wir nach, dass sowohl die sequentielle Modellierung von Trajektorien als auch unsere neuartige Methode zur langfristigen Odometrievorhersage für optimale Leistung wesentlich sind.