TrafficPredict: Trajektorienvorhersage für heterogene Verkehrsteilnehmer

Um sicher und effizient in komplexem städtischem Verkehr zu navigieren, müssen autonome Fahrzeuge verantwortungsbewusste Vorhersagen bezüglich der umliegenden Verkehrsteilnehmer (Fahrzeuge, Fahrräder, Fußgänger usw.) treffen. Eine herausfordernde und kritische Aufgabe besteht darin, die Bewegungsmuster verschiedener Verkehrsteilnehmer zu erforschen und ihre zukünftigen Trajektorien genau vorherzusagen, um dem autonomen Fahrzeug eine vernünftige Navigationsentscheidung zu ermöglichen. Um dieses Problem zu lösen, schlagen wir einen auf langfristig-kurzfristigem Gedächtnis basierenden (LSTM-basierten) Echtzeit-Verkehrs-Vorhersagealgorithmus vor, den wir TrafficPredict nennen. Unser Ansatz verwendet eine Instanzschicht, um die Bewegungen und Interaktionen von Instanzen zu lernen, und eine Kategorischenschicht, um die Ähnlichkeiten von Instanzen desselben Typs zu erlernen und so die Vorhersage zu verfeinern. Um seine Leistung zu bewerten, sammelten wir Trajektoriendatensätze in einer Großstadt unter verschiedenen Bedingungen und Verkehrsdichten. Der Datensatz enthält viele anspruchsvolle Szenarien, in denen Fahrzeuge, Fahrräder und Fußgänger miteinander interagieren. Wir bewerten die Leistung von TrafficPredict auf unserem neuen Datensatz und betonen seine höhere Genauigkeit bei der Trajektorienvorhersage im Vergleich zu früheren Vorhersagemethoden.