HyperAIHyperAI
il y a 2 mois

TrafficPredict : Prédiction de trajectoire pour des agents de trafic hétérogènes

Yuexin Ma; Xinge Zhu; Sibo Zhang; Ruigang Yang; Wenping Wang; Dinesh Manocha
TrafficPredict : Prédiction de trajectoire pour des agents de trafic hétérogènes
Résumé

Pour naviguer en toute sécurité et efficacité dans un trafic urbain complexe, les véhicules autonomes doivent faire des prédictions responsables concernant les agents de circulation environnants (véhicules, vélos, piétons, etc.). Une tâche difficile et critique est d'explorer les modèles de mouvement de différents agents de circulation et de prédire leurs trajectoires futures avec précision afin d'aider le véhicule autonome à prendre des décisions de navigation raisonnables. Pour résoudre ce problème, nous proposons un algorithme de prédiction en temps réel basé sur la mémoire à court et long terme (LSTM-based), appelé TrafficPredict. Notre approche utilise une couche d'instances pour apprendre les mouvements et les interactions des instances, ainsi qu'une couche catégorielle pour apprendre les similarités entre les instances appartenant au même type afin d'affiner la prédiction. Afin d'évaluer ses performances, nous avons collecté des ensembles de données de trajectoires dans une grande ville comportant diverses conditions et densités de trafic. Le jeu de données inclut de nombreux scénarios difficiles où des véhicules, des vélos et des piétons se déplacent entre eux. Nous évaluons les performances de TrafficPredict sur notre nouveau jeu de données et soulignons sa plus grande précision pour la prédiction des trajectoires par comparaison avec les méthodes de prédiction antérieures.