[論文レビュー] Automatic driving lane change safety prediction model based on LSTM

Wenjian Sun, Linying Pan+3 more|arXiv (Cornell University)|Feb 28, 2024

Traffic Prediction and Management Techniques被引用数 7

ひとこと要約

本論文は、意思決定の改善と車線変更の安全性向上を目的として、LSTMベースの深層学習アプローチを用いた自動運転車の車線変更時の安全配慮付き軌道予測モデルを提案する。

ABSTRACT

Autonomous driving technology can improve traffic safety and reduce traffic accidents. In addition, it improves traffic flow, reduces congestion, saves energy and increases travel efficiency. In the relatively mature automatic driving technology, the automatic driving function is divided into several modules: perception, decision-making, planning and control, and a reasonable division of labor can improve the stability of the system. Therefore, autonomous vehicles need to have the ability to predict the trajectory of surrounding vehicles in order to make reasonable decision planning and safety measures to improve driving safety. By using deep learning method, a safety-sensitive deep learning model based on short term memory (LSTM) network is proposed. This model can alleviate the shortcomings of current automatic driving trajectory planning, and the output trajectory not only ensures high accuracy but also improves safety. The cell state simulation algorithm simulates the trackability of the trajectory generated by this model. The research results show that compared with the traditional model-based method, the trajectory prediction method based on LSTM network has obvious advantages in predicting the trajectory in the long time domain. The intention recognition module considering interactive information has higher prediction and accuracy, and the algorithm results show that the trajectory is very smooth based on the premise of safe prediction and efficient lane change. And autonomous vehicles can efficiently and safely complete lane changes.

研究の動機と目的

• 周囲車両の軌道を予測することによって、安全性と効率性を向上させる自動運転を動機づける。
• 意思決定と車線変更計画を支援する軌道を予測する深層学習モデルを開発する。
• 予測フレームワークを通じて、車線変更時の軌道の滑らかさと安全性を向上させる。
• データ駆動のLSTM手法を用いて従来のモデルベースの軌道計画の限界に対処する。

提案手法

• 周囲車両の軌道を予測するために、short-term memory (LSTM) ネットワークを利用する。
• 生成された軌道の追跡可能性と安定性を評価するために、cell state simulation algorithm を組み込む。
• より高い予測精度のために、相互作用情報を考慮した意図認識モジュールを統合する。
• 車線変更の安全性と効率性を高める長期 horizon 軌道予測を強調する。
• 軌道予測の品質という観点から、LSTMベースのアプローチと従来のモデルベース手法を比較する。

実験結果

リサーチクエスチョン

• RQ1 長期的な時間スケールで安全な車線変更のために、LSTMベースのモデルは周囲車両の軌道を正確に予測できるか。
• RQ2 意図認識と相互作用情報を組み込むことは、予測精度と安全性の結果を向上させるか。
• RQ3 車線変更時の安全性と効率性の観点から、LSTMベースの軌道予測は従来のモデルベース手法とどう比較されるか。

主な発見

• LSTMベースの軌道予測は、従来のモデルベース手法と比較して長時間ドメインの予測に利点を示す。
• 相互作用情報を含む意図認識モジュールは予測精度を向上させる。
• 提案手法は、車線変更時の安全な予測を維持しつつ、軌道をより滑らかにする。
• 本モデルは自動運転車がより効率的かつ安全に車線変更を完了するのを支援する。