日本語タイトル#
MIAT：時空間軌跡予測のための機動意図認識 Transformer
英文タイトル#
MIAT: Maneuver-Intention-Aware Transformer for Spatio-Temporal Trajectory Prediction
日本語摘要#
正確な車両軌跡予測は、安全で効率的な自動運転にとって重要であり、特に人間が運転する車両と自動運転車両が共存する混合交通環境では重要です。しかし、加速、減速、左右の操作などの固有の運転行動によって引き起こされる不確実性は、信頼できる軌跡予測に重大な課題をもたらします。私たちは、機動意図認識制御メカニズムと時空間相互作用モデリングを統合した機動意図認識 Transformer（MIAT）アーキテクチャを導入し、長期的な軌跡予測を向上させます。私たちは、機動意図の認識の違いが短期および長期の軌跡予測に与える影響を体系的に調査します。実世界の NGSIM データセットで評価し、さまざまな Transformer および LSTM ベースの手法と比較した結果、私たちのアプローチは、他の意図認識ベンチマーク手法に比べて短期軌跡予測で最大 4.7%、長期軌跡予測で 1.6% の改善を達成しました。さらに、意図認識制御メカニズムを活用することで、MIAT は長期軌跡予測で 11.1% の性能向上を実現し、短期軌跡予測の性能はわずかに低下しました。ソースコードとデータセットはhttps://github.com/cpraskoti/MIAT で入手できます。
英文摘要#
Accurate vehicle trajectory prediction is critical for safe and efficient autonomous driving, especially in mixed traffic environments when both human-driven and autonomous vehicles co-exist. However, uncertainties introduced by inherent driving behaviors -- such as acceleration, deceleration, and left and right maneuvers -- pose significant challenges for reliable trajectory prediction. We introduce a Maneuver-Intention-Aware Transformer (MIAT) architecture, which integrates a maneuver intention awareness control mechanism with spatiotemporal interaction modeling to enhance long-horizon trajectory predictions. We systematically investigate the impact of varying awareness of maneuver intention on both short- and long-horizon trajectory predictions. Evaluated on the real-world NGSIM dataset and benchmarked against various transformer- and LSTM-based methods, our approach achieves an improvement of up to 4.7% in short-horizon predictions and a 1.6% in long-horizon predictions compared to other intention-aware benchmark methods. Moreover, by leveraging intention awareness control mechanism, MIAT realizes an 11.1% performance boost in long-horizon predictions, with a modest drop in short-horizon performance. The source code and datasets are available at https://github.com/cpraskoti/MIAT.
PDF 获取#
抖音扫码查看更多精彩内容