Härtill 5 uppsatser

Diss. (sammanfattning) Linköping : Linköpings universitet, 2024

Autonomous vehicles (AVs) are set to transform transportation by providing safer, more efficient, and accessible mobility solutions. However, deploying AV systems requires designers to ensure these vehicles can navigate complex, dynamic traffic environments safely and precisely. A vital component of this capability is the ability to predict the behavior of surrounding road users, yet achieving reliable predictions is a complex task. This thesis investigates several challenges in trajectory and intention prediction for autonomous driving, focusing on contextual awareness, probabilistic modeling, and differential motion constraints. A primary focus of this thesis is context awareness, which includes interaction-aware (agent-to-agent) and environment-aware (road-to-agent) modeling. Early approaches to context awareness involved manually crafting interaction features. While effective, these methods rely on predefined heuristics and often scale poorly as environmental complexity increases. To address these limitations, the thesis adopts a graph-based approach that offers greater flexibility and expressiveness. By constructing relational graphs, graph neural networks can be used to learn agent interactions and environmental context in a data-driven manner. The thesis proposes several context-aware models and provides an extensive evaluation of their mechanisms, highlighting their overall impact on prediction performance. Another core theme of this thesis is addressing the inherent uncertainty and non-determinism of traffic environments. This involves creating models that provide probabilistic predictions. Given the multimodal nature of road-traffic agent behavior, it is also important to design methods that offer multiple candidate predictions for a single condition, enabling AVs to account for different possible future outcomes. This thesis proposes several context-aware frameworks that leverage probabilistic modeling, illustrating how ensemble methods, mixture density networks, and diffusion-based generative models can be adapted to provide uncertainty estimates and multimodal predictions.

Vi står inför en övergångsperiod där fordon med begränsade självkörande funktioner successivt blir vanligare på allmänna vägar. Detta ställer höga krav på fordonens prestanda, då det fordrar en välutvecklad social förmåga i samverkan med andra trafikanter. Denna utveckling medför intressanta utmaningar, i huvudsak kopplade till olika osäkerheter i trafiksituationer. Den främsta osäkerheten är en funktion av omgivningen, företrädesvis på grund av okända intentioner hos omgivande trafikanter. Likt hur en människa är förutseende i sitt eget beslutsfattande, givet antaganden om hennes omgivning, krävs även att autonoma fordon besitter förmågan att kunna förutsäga andra trafikanters avsikter. Detta för att möjliggöra säkert beslutsfattande. Att utveckla metoder som möjliggör denna förmåga är huvudämnet för denna avhandling. Arbetet undersöker olika abstraktionsnivåer av beteendeprediktionsproblemet, både skattning av andra trafikanters intentioner men också deras framtida rörelse. I denna avhandling realiseras modellerna med hjälp av maskininlärning och naturalistisk data från verkliga trafiksituationer. I praktiken innebär detta implementering av adaptiva modeller som har förmågan att lära sig utifrån tillgänglig information. De presenterade resultaten visar på övertygande prediktionsförmåga hos de föreslagna modellerna, men framförallt, deras potential för säkrare autonom körning.