GANet: Goal Area Network für die Bewegungsprognose

Die Vorhersage der zukünftigen Bewegung von Verkehrsteilnehmern ist entscheidend für autonome Fahrzeuge, stellt jedoch aufgrund der erheblichen Bewegungsunsicherheit eine äußerst herausfordernde Aufgabe dar. In jüngster Zeit greifen die meisten Methoden zur Bewegungsprognose auf eine zielbasierte Strategie zurück, bei der die Endpunkte von Bewegungstrajektorien als Bedingungen zur Regressionsanalyse der gesamten Trajektorien verwendet werden, um den Lösungsraum zu verkleinern. Allerdings sind genaue Zielkoordinaten schwer vorherzusagen und zu bewerten. Zudem beschränkt die Punktrepräsentation des Zielpunkts die Nutzung eines reichen Straßenkontexts, was in vielen Fällen zu ungenauen Vorhersagen führt. Stattdessen könnte ein Zielgebiet – also der mögliche Bereich des Endziels – im Gegensatz zu einer exakten Zielkoordinate eine weichere Einschränkung bieten, indem sie mehr Toleranz und Anleitung für die Suche nach potenziellen Trajektorien ermöglicht. Aus diesem Grund schlagen wir einen neuen, auf Zielgebieten basierenden Ansatz vor, genannt Goal Area Network (GANet), zur Bewegungsprognose. GANet modelliert Zielgebiete anstelle exakter Zielkoordinaten als Voraussetzungen für die Trajektorienprognose und erreicht dabei eine robustere und genauere Leistung. Insbesondere führen wir einen GoICrop-Operator (Goal Area of Interest) ein, der semantische Fahrbahnmerkmale innerhalb der Zielgebiete effizient extrahiert und die zukünftigen Interaktionen zwischen Verkehrsteilnehmern modelliert, was die Schätzung zukünftiger Trajektorien erheblich verbessert. GANet erreichte die erste Platzierung auf dem Leaderboard des Argoverse Challenges unter allen veröffentlichten Arbeiten (bis zum Zeitpunkt der Paper-Abgabe), und die Quellcodes werden öffentlich verfügbar gemacht.