安全自动驾驶中自感知轨迹预测

摘要

本文介绍了安全自动驾驶中自感知轨迹预测。轨迹预测是自动驾驶软件栈的关键组成部分之一。精确预测周围交通参与者的未来动向是确保智能汽车驾驶效率和安全性的重要前提。近年来，基于人工智能的轨迹预测算法得到了广泛研究和应用，并且取得了显著的效果。然而，复杂的人工智能模型是不确定且难以解释的，所以在现实世界中应用时它们可能会面临意想不到的失败。本文提出了一种自感知轨迹预测方法。通过引入一种自感知模块和两阶段训练过程，在线估计原始轨迹预测模块的性能，有助于系统及时处理预测功能不足的可能场景，为实现安全且可靠的自动驾驶创造条件。本工作进行了全面的实验和分析，所提出的方法在自感知、内存占用和实时性能方面表现良好，这表明它可能成为安全自动驾驶的一个优秀范例。

主要贡献

本文的主要贡献如下：

1）一种新型的自感知轨迹预测框架。本文引入一种新的、计算高效的自感知模块，通过从原始轨迹预测模块的中间层和输出层中获取实时信息，以在线诊断预测结果；

2）所提出框架中一种新的训练和推断流程。本文提出一种两阶段的训练过程来优化自感知模块，而不影响原始轨迹预测模块的性能。自感知模块的训练不需要修改训练轨迹预测模块的参数，只需要获取其部分信息，所以其具有强大的灵活性和实用性；

3）综合实验和分析。本工作实现了多种基准进行比较，展现了所提出方法在自感知、内存使用和实时性能方面的优越性。此外，详细的消融研究以及定量和定性分析提供了深入的探索。

论文图片和表格

总结

在本工作中，我们提出一种自感知的轨迹预测框架，该框架使智能汽车能够在预测周围交通参与者轨迹的同时对其预测进行自诊断，从而有助于降低轨迹预测失效的潜在触发场景的风险。本工作将一种新型的自感知模块引入到现有的轨迹预测系统中，以估计预测性能。本工作设计了一个两阶段的训练过程来优化自感知模块，而不影响原始轨迹预测模块的性能。通过综合比较实验，所提出方法在自感知能力和实时性能评估方面取得了有价值的结果。此外，对所提出方法进行更深入的定量和定性分析，揭示了更多的细节信息。

这项工作为构建可靠的基于人工智能的自动驾驶软件提供了一个值得参考的范例，在其它形式的预测中具有良好的应用潜力，但是更多的细节信息值得探索，例如多模态轨迹预测的自感知。此外，这项工作主要着重于轨迹预测模块的在线诊断上，我们将来的工作将探索将所提出方法与安全决策相结合，以有效地提高智能车辆的安全性。例如，自诊断模块的诊断结果可以作为智能汽车规划器的额外信息，为其它交通参与者提供更可靠的预测。

文章转载自公众号：自动驾驶专栏