QC 20210210

Härtill 4 uppsatser

Diss. (sammanfattning) Stockholm : Kungliga Tekniska högskolan, 2021

Autonomous driving technologies have recently made great strides in development, with several companies and research groups getting close to producing a vehicle with full autonomy. Self-driving cars introduce many advantages, including increased traffic safety and added ride-sharing capabilities which reduce environmental effects. To achieve these benefits, many modules must work together on an autonomous platform to solve the multiple tasks required. One of these tasks is the prediction of the future positions and maneuvers of surrounding human drivers. It is necessary for autonomous driving platforms to be able to reason about, and predict, the future trajectories of other agents in traffic scenarios so that they can ensure their planned maneuvers remain safe and feasible throughout their execution. Due to the stochastic nature of many traffic scenarios, these predictions should also take into account the inherent uncertainty involved, caused by both the road structure and driving styles of human drivers. Since many traffic scenarios include vehicles changing their behavior based on the actions of others, for example by yielding or changing lanes, these interactions should be taken into account to produce more robust predictions. Lastly, the prediction methods should also provide a level of transparency and traceability. On an self-driving platform with many safety-critical tasks, it is important to be able to identify where an error occurred in a failure case, and what caused it. This helps prevent the problem from reoccurring, and can also aid in finding new and relevant test cases for simulation. In this thesis, we present a framework for trajectory prediction of vehicles based on deep learning to fulfill these criteria.

Teknologin bakom självkörande bilar har gjort stora framsteg under senaste tiden, med flera företag och forskningsgrupper som börjar närma sig till att kunna producera en fullt autonom plattform. Självkörande bilar introducerar många förbättringar, som ökad trafiksäkerhet samt ökad bildelningsmöjligheter som förminskar miljöpåverkan. För att uppnå dessa förbättringar, måste många moduler vara sammankopplade och samarbeta på en självkörande plattform för att lösa de nödvändiga uppgifterna. En av dessa uppgifter att prediktera positionerna och manövrarna av mänskliga förare i omgivningen. Det är nödvändigt för självkörande fordon att kunna resonera kring samt prediktera framtida positionerna av andra trafikagenter i trafiksituationerna dom befinner sig i för att säkerställa att dess planerad manöver är säker och möjlig under dess exekvering. Tack vare den stokastiska naturen av många trafikscenarion måste dessa prediktioner också hantera de osäkerheter som uppstår tack vare vägstrukturen och körstilen av mänskliga förare. Eftersom många trafikscenarion innehåller förare som ändrar sitt beteende baserat på andra förares handlingar, som i att ge förtur eller göra ett filbyte, borde dessa interaktioner också räknas in av prediktionsmodellen. Till sist, borde prediktionsmodellen också ge en nivå av genomsynlighet och spårbarhet. Självkörande bilar utför många säkerhetskritiska operationer, och det är viktigt att kunna identifiera vart ett fel uppstod i ett fallerande fall, samt vad orsakade det. Detta hjälper att hindra att problemet ska uppstå igen, och kan också hjälpa med att hitta nya och relevanta testfall för simulering. I denna avhandling presenterar vi ett ramverk för trajektorieprediktioner av fordon baserad på djup maskininlärning för att fullfölja dessa kriteria.