Ausnutzung zukünftiger Beziehungsschlussfolgerung zur Vorhersage von Fahrzeugtrajektorien

Das Verständnis der Wechselwirkung zwischen mehreren Agenten ist entscheidend für eine realistische Vorhersage von Fahrzeugtrajektorien. Bestehende Methoden versuchen, die Wechselwirkung aus den beobachteten vergangenen Trajektorien der Agenten mittels Pooling-, Aufmerksamkeits- oder graphbasierten Ansätzen abzuleiten, wobei diese Ansätze auf deterministischen Modellen basieren. Diese Verfahren können jedoch unter komplexen Straßenstrukturen versagen, da sie nicht in der Lage sind, verschiedene mögliche zukünftige Interaktionen vorherzusagen. In diesem Paper stellen wir einen neuartigen Ansatz vor, der Spurinformationen nutzt, um eine stochastische zukünftige Beziehung zwischen Agenten vorherzusagen. Um eine grobe Vorhersage der zukünftigen Bewegung der Agenten zu erhalten, ermittelt unsere Methode zunächst die Wahrscheinlichkeit der Besetzung von Wegpunkten auf Spurebene durch Fahrzeuge. Anschließend nutzen wir die zeitliche Wahrscheinlichkeit, mit der jeweils zwei Agenten benachbarte Spuren passieren, unter der Annahme, dass Agenten, die benachbarte Spuren befahren, stark miteinander interagieren werden. Darüber hinaus modellieren wir die Interaktion mittels einer probabilistischen Verteilung, die mehrere mögliche zukünftige Interaktionen zulässt. Diese Verteilung wird aus der a posteriori-Verteilung der Interaktionen abgeleitet, die aus den wahren zukünftigen Trajektorien gewonnen wird. Wir validieren unseren Ansatz an etablierten Datensätzen zur Trajektorienvorhersage: nuScenes und Argoverse. Die Ergebnisse zeigen, dass der vorgeschlagene Ansatz eine erhebliche Steigerung der Vorhersagegenauigkeit erzielt und die bisher beste Leistung auf dem Benchmark-Datensatz für langfristige Vorhersage erreicht.