[论文解读] Motion Prediction on Self-driving Cars: A Review

Shahrokh Paravarzar, Belqes Mohammad|arXiv (Cornell University)|Nov 6, 2020

Autonomous Vehicle Technology and Safety参考文献 29被引用 4

一句话总结

本综述综合了自动驾驶车辆运动预测的最先进技术，评估了经典方法、深度学习方法以及强化学习方法。研究发现，由于其在动态交通条件下建模复杂、多模态交互行为的能力，深度强化学习是最具前景的方法。

ABSTRACT

The autonomous vehicle motion prediction literature is reviewed. Motion prediction is the most challenging task in autonomous vehicles and self-drive cars. These challenges have been discussed. Later on, the state-of-theart has reviewed based on the most recent literature and the current challenges are discussed. The state-of-the-art consists of classical and physical methods, deep learning networks, and reinforcement learning. prons and cons of the methods and gap of the research presented in this review. Finally, the literature surrounding object tracking and motion will be presented. As a result, deep reinforcement learning is the best candidate to tackle self-driving cars.

研究动机与目标

• 分析自动驾驶车辆运动预测的当前状态，重点关注建模动态、交互式交通行为的挑战。
• 评估基于经典方法、深度学习方法以及强化学习方法的运动预测技术的优势与局限性。
• 识别在真实世界自动驾驶系统部署中，准确度、安全性与泛化能力方面存在的研究空白。
• 研究语义地图、传感器融合以及环境约束在塑造预测性能方面的作用。
• 评估强化学习作为可扩展解决方案的可行性，以应对多模态且相互依赖的车辆行为。

提出的方法

• 对2011年至2020年期间自动驾驶车辆运动预测相关文献进行系统性综述，按方法论分类。
• 将运动预测技术划分为三大类：经典/物理模型、深度学习（CNN-RNN混合模型）以及强化学习。
• 基于方法在处理多模态行为、环境依赖性以及实时约束方面的能力进行评估。
• 分析传感器数据融合（激光雷达、雷达、摄像头）以及语义地图在上下文感知预测中的作用。
• 研究基于概率框架的运动建模以及在不确定性下的轨迹预测。
• 在预测模型中整合交通规则、道路几何结构以及动态环境变化作为约束条件。

实验结果

研究问题

• RQ1 经典与物理运动预测模型在处理复杂真实交通交互行为方面表现如何比较？
• RQ2 深度学习模型（如CNN-RNN）在多模态场景下相比传统方法在预测准确度方面提升程度如何？
• RQ3 强化学习模型能否有效捕捉自动驾驶中长期依赖关系与车辆间依赖关系？
• RQ4 当前运动预测模型在安全性、鲁棒性以及在多样化驾驶环境中的泛化能力方面存在哪些关键局限？
• RQ5 天气、道路几何结构以及交通规则等环境因素如何影响运动预测系统的性能？

主要发现

• 深度学习模型，特别是结合CNN与RNN的模型，在建模车辆轨迹的时空依赖性方面表现出更优性能。
• 与经典方法和深度学习基线相比，强化学习方法在处理复杂多模态行为及车辆间交互方面展现出更优潜力。
• 尽管已有进展，现有模型在实现高风险交通场景真实部署所需的准确度与安全标准方面仍显不足。
• 语义地图与传感器融合的整合显著提升了动态环境中上下文感知能力与预测可靠性。
• 多模态行为（如变道、停车与急促操作）仍是主要挑战，原因在于车辆间存在高度不确定性与相互依赖性。
• 当前模型在多样化驾驶条件下（尤其是恶劣天气或突发道路变化）的泛化能力普遍不足。