자율주행 궤적 예측 기술 현황 및 개발 동향에 대해 논의

1 궤적예측이란

자율주행에서 궤적예측은 일반적으로 인지모듈의 후단에 위치하고, 제어모듈의 전단은 연결모듈이다. 인식모듈에서 제공하는 대상궤도의 상태정보 및 도로구조 정보를 입력하고, 고정밀 지도정보, 대상 간 상호작용 정보, 환경의 의미정보 및 대상의 의도정보 등을 종합적으로 고려하여 다양한 인지대상에 대한 의도를 도출한다. . 미래의 일정 기간(0~5초 범위)에 대한 예측(컷인/아웃, 직진) 및 궤적 예측. 아래 그림과 같이.

ADAS 시스템은 주변 환경 정보에 대한 특정 인지 능력을 갖추어야 합니다. 가장 기본적인 수준은 환경을 인식하는 단계이고, 다음 단계는 환경을 이해하는 단계이며, 다음 단계는 환경을 예측하는 단계입니다. 컨트롤러는 목표물을 예측한 후, 예측된 정보를 바탕으로 차량의 경로를 계획하고, 발생할 수 있는 위험 상황에 대해 제동을 결정하거나 경고를 발령할 수 있다는 것이 궤적 예측 모듈의 의의입니다.

2 두 가지 과제

궤적 예측은 단기 예측과 장기 예측으로 나눌 수 있습니다.

1. 단기 예측은 일반적으로 미래의 일정 기간 동안의 궤적을 예측하기 위해 현재 목표 상태 정보를 기반으로 한 운동학적 모델(CV/CA/CTRV/CTRA)을 기반으로 합니다. 시간이 너무 길면 목표는 운동학과 관련된 가정만 더 이상 유효하지 않습니다. 단기 예측의 경우 예측을 위해 특별히 모션 모델을 구축할 수 있습니다. 이전 인식 모듈 필터링에서 예측 모듈을 사용할 수도 있지만 필터링 업데이트를 위한 측정을 호출하지 않으면 불확실성이 전파될 수 있다는 장점이 있습니다.
2. 장기 예측은 현재 업계에서 하고 있는 일입니다. 이러한 예측은 모션 모델만으로는 적합하지 않으며 일반적으로 좋은 결과를 얻기 위해서는 의도 예측이 필요하며 일부 상황 정보(지도, 대상 간 상호 작용 정보)와 결합되어야 합니다. 이때, 업계에서는 궤적의 확률분포를 출력하는 것, 다수의 예측 궤적을 출력하는 것, 가장 가능성이 높은 예측 궤적을 출력하는 것 등 다양한 출력 형태가 존재한다.

장기 궤적 예측에는 두 가지 과제가 있습니다.

1. 하나의 가능한 궤적을 출력하거나 가능한 모든 궤적을 출력하는 것은 무리입니다. 예측된 궤적을 출력하면 실제 궤적을 놓칠 수 있습니다. 가능한 모든 궤적을 출력하면 잘못된 경보가 발생합니다. 이는 ADAS 시스템에서는 허용되지 않습니다. 예측된 궤적을 적절한 하위 집합으로 제한하는 것을 고려해야 합니다.
2. 궤적 예측을 더 많이 할수록 더 많은 가정을 해야 합니다. 극단적인 가정은 도로 위의 모든 물체가 교통 규칙을 준수한다고 가정하는 것입니다. 이는 교통 시뮬레이션 기능에 사용하면 합리적이지만 잠재적으로 위험한 상황에 민감해야 하는 ADAS 시스템에는 적합하지 않습니다.

장기 궤적 예측에 영향을 미치는 불확실성은 주로 세 가지 측면에서 비롯됩니다.

1. 센싱 모듈의 목표 상태 추정 출력의 불확실성.
2. 운전 의도 예측의 불확실성.
3. 의도 인식과 차량 이동성 사이의 불확실성이 변화합니다.

3 주요 고려 사항

궤적 예측 시스템에서 고려해야 할 네 가지 문제:

1. 궤적 예측은 궤적 예측의 의미에서 요구되는 잠재적인 위험에 민감해야 합니다.
2. 주행 모델과 의도 및 주변 환경에 대한 정보를 모두 고려해야 합니다.
3. 위의 불확실성을 고려하세요.
4. 출력 궤적 수를 고려하세요.

4 산업 방법

다음 그림은 Bosch에서 발행한 리뷰 논문[2]의 분류 방법을 보여줍니다.

1. 사용되는 모델에 따라 분류하면 궤적 예측 방법은 물리적 모델을 사용하는 방법, 학습을 사용하는 방법, 계획 알고리즘을 사용하는 방법으로 나눌 수 있습니다.
2. 사용하는 정보에 따라 분류하면 궤적 예측 방법은 표적 정보를 사용하는 방법, 환경 내 동적 표적 정보를 사용하는 방법, 정적 환경 정보를 사용하는 방법으로 나눌 수 있습니다.

궤적 예측에 구체적으로 관련된 일반 알고리즘은 무엇인가요?

1. 의도 예측: 퍼지 이론, 정적 BN, DBN(HMM, JumpMM), DS 증거 이론, 기계 학습의 분류 알고리즘.
2. 딥 러닝 관련 엔드투엔드 출력. CNN, LSTM, RNN, 주의.

그렇다면 궤적 예측에는 어떤 구체적인 정보를 사용할 수 있을까요?

1. 대상 정보: 현재/과거 속도 및 위치 정보 보행자 궤적 예측인 경우 보행자 머리 방향, 관절 정보, 성별 및 연령 정보, 인간 주의 정보도 사용할 수 있습니다.
2. 환경의 동적 대상 정보: 사회적 힘, 매력, 그룹 제약 정보.
3. 정적 환경 정보: 여유 공간, 지도, 의미 정보(도로 구조/교통 규칙/현재 신호등).

현재 학계에는 궤적 예측에 관한 논문이 점점 더 많아지고 있습니다. 가장 큰 이유는 업계에 효과적인 방법이 없다는 것입니다.

다음은 업계 논문입니다.

BMW: 물리적 모델 + 의도 예측(학습 기반). 전문 지식을 통합하고, 상호 작용 모델을 단순화하며, 의도 예측 분류 모델에 게임 이론 아이디어를 추가하기 위해 휴리스틱 방법이 사용됩니다[3].

BENZ: 주로 DBN을 이용한 의도 예측 관련 논문[4].

Uber: LaneRCNN[5].

Google: VectorNet[6].

Huawei: 홈[7].

Waymo: TNT[8].

Aptive: Covernet[9].

NEC: R2P2[10].

SenseTime: TPNet[11].

Meituan: 스타넷[12]. 보행자.

Aibee: 소피[13]. 보행자.

MIT: 소셜 lstm[14]. 보행자.

중국 과학 기술 대학교: STGAT[15]. 보행자.

Baidu: 차선 주의[16].

Apollo: 다음 블로그를 참고하시면 됩니다.

​https://www.cnblogs.com/liuzubing/p/11388485.html​

Apollo의 예측 모듈은 인식, 위치 지정 및 지도 모듈로부터 입력을 받습니다.

1. 먼저 장면은 일반 순항 도로와 교차로의 두 장면으로 나뉩니다.

2. 그런 다음 인식된 대상의 중요성을 무시할 수 있는 대상(자신의 차에 영향을 주지 않음), 주의해서 처리해야 하는 대상(자신의 차에 영향을 줄 수 있음) 및 일반 대상(그 사이)으로 나눕니다. 둘).

3. 그런 다음 본질적으로 의도 예측인 평가자를 입력합니다.

4. 마지막으로 궤적 생성을 예측하는 데 사용되는 예측자를 입력합니다. 고정된 대상, 도로를 따라 운전, freeMove 및 교차로와 같은 다양한 시나리오에 대해 다양한 작업을 수행합니다.

5 데이터 세트

(1) NGSIM

이 데이터 세트는 US101, I-80 및 기타의 모든 도로를 포함하여 미국 FHWA에서 수집한 고속도로 주행 데이터입니다. 도로 일정 기간 동안 차량의 주행 상태입니다. 데이터는 카메라를 사용하여 수집된 다음 하나씩 트랙 포인트 레코드로 처리됩니다. 데이터 세트는 CSV 파일입니다. 데이터에는 노이즈가 많지 않습니다.

도로 계획, 차선 설정, 교통 흐름 조정 등 전반적인 파견 수준의 자세한 정보입니다. 차량의 운동학적 상태를 추가로 추출해야 합니다. 처리 코드는 아래 github에서 사용할 수 있습니다.

​https://github.com/nachiket92/conv-social-pooling​

(2) 상호작용

이 데이터 세트는 버클리 캘리포니아 대학교의 기계 시스템 제어 연구소(MSC Lab)와 Karlsruhe Institute of Technology(KIT) 및 MINES ParisTech의 공동 작업자가 개발했습니다. 다양한 국가의 다양한 운전 시나리오에서 도로 사용자(예: 차량 및 보행자)의 수많은 대화형 행동을 정확하게 재현할 수 있습니다.

​http://www.interaction-dataset.com/​

(3)apolloscape

아폴로의 공공 자율주행 데이터 세트로, 궤도 예측이 포함된 데이터 제공 . 내부 파일은 2fps의 1분 데이터 시퀀스입니다. 데이터 구조에는 프레임 번호 ID, 대상 ID, 대상 카테고리, 위치 xyz, 길이, 너비 및 높이 정보 및 방향이 포함됩니다. 대상 카테고리에는 소형차, 대형차, 보행자, 자전거가 포함됩니다. /전기자동차 및 기타.

​https://apolloscape.auto/trajectory.html​

(4) TRAF

이 데이터 세트는 고밀도 교통 상황에 중점을 두고 있으며, 이는 알고리즘을 더 잘 수행하는 데 도움이 될 수 있습니다. 불확실한 환경에서 인간 운전자의 행동을 분석합니다. 데이터의 각 프레임에는 각각 자동차 13대, 보행자 5명, 자전거 2대가 포함되어 있습니다. 데이터 세트에 대한 링크 궤적 예측 프로젝트에서.

(5) nuScenes

​https://arxiv.org/abs/1903.11027​

이 데이터 세트에는 예측 관련 대회가 있으니 따라가시면 됩니다.

​https://www.nuscenes.org/prediction?externalData=all&mapData=all&modalities=Any​

6 평가 지표

현재 주로 사용되는 평가 지표는 기하학적 지표입니다.

기하학적 측정에는 많은 지표가 있으며, 주로 사용되는 지표는 ADE, FDE 및 MR입니다.

ADE는 정규화된 유클리드 거리입니다. FDE는 최종 예측 지점 사이의 유클리드 거리입니다. MR은 실패율입니다. 다양한 이름이 있는데, 가장 중요한 것은 임계값을 설정하는 것인데, 예측 지점 간의 유클리드 거리가 이 예측보다 낮으면 적중으로 기록됩니다. 마지막으로 백분율이 계산됩니다.

기하학적 지표는 예측된 궤적과 실제 궤적 사이의 유사성을 측정하는 중요한 지표이며 정확도를 잘 나타낼 수 있습니다. 그러나 궤적 예측의 목적상 단순히 정확도를 평가하는 것은 의미가 없습니다. 특히 다중 모드 출력 분포의 경우 불확실성을 평가하기 위한 확률적 측정이 있어야 하며 작업 수준 측정, 견고성 측정 및 효율성 평가도 있어야 합니다.

확률 측정: KL 발산, 예측 확률, 누적 확률을 확률 측정으로 사용할 수 있습니다. 예를 들어 NLL, KDE 기반 NLL [17]. 작업 수준 지표: 백엔드 규제(piADE, piFDE)에 대한 궤적 예측의 영향을 평가합니다[18]. 견고성: 예측 전에 관찰된 궤적 부분의 길이 또는 기간을 고려하고, 입력 데이터 샘플링 빈도 및 센서 노이즈를 고려하고, 과적합 및 입력 활용 인식 모듈에 문제가 있는 경우 입력 입력, 정상적으로 작동하는지 여부 및 기타 요인. 효율성: 컴퓨팅 성능을 고려하세요.

아래 그림과 같이 본 논문의 주요 고려사항은 참값(파란색)을 기준으로 회색 대상 자동차가 예측한 보라색과 녹색 궤적은 기하학적 메트릭을 사용하면 동일한 ADE와 FDE를 가지지만, 서로 다른 예측 방법은 서로 다른 영향을 미칩니다. 차량 계획은 영향을 미치지만 현재 작업 수준을 평가할 수 있는 측정 기준이 없으므로 이를 수행하기 위해 piADE 및 piFDE를 제안했습니다.

7 세 가지 질문

세 가지 다른 궤도 예측 방법: 물리적 모델 기반, 학습 기반, 계획 기반 각각의 적용 시나리오는 어디에 있으며 장점은 무엇입니까? 단점?

다양한 모델링 방법을 통해 다양한 유형의 상황별 정보를 결합하고 활용할 수 있습니다. 모든 모델링 방법은 대상의 상황별 단서와 동적 및 정적 환경을 사용하여 확장될 수 있습니다. 그러나 다양한 모델링 방법은 다양한 범주의 의미 정보를 결합할 때 다양한 수준의 복잡성과 효율성을 나타냅니다.

1. 물리적 모델 기반 방법

적용 가능한 시나리오: 대상, 정적 환경 및 동적 시뮬레이션은 명시적 전달 방정식으로 모델링될 수 있습니다.

장점:

• 물리적 모델 기반 방법은 매개변수 추정을 위한 일부 데이터가 유용하지만 교육 데이터 없이 적절한 전달 방정식을 선택하여 여러 환경에 쉽게 적용할 수 있습니다. 논문에서는 간단한 CV 모델도 합리적인 결과를 생성합니다.
• 물리적 모델 기반 방법은 대상 에이전트 단서와 결합하여 쉽게 확장할 수 있습니다.

단점:

• 명시적 모델링에 대한 이러한 접근 방식은 현실 세계의 복잡성을 잘 포착하지 못할 수 있습니다.
• 전달 방정식에는 공간과 시간의 전역 정보가 부족하여 로컬 최적 솔루션을 얻을 가능성이 있습니다.

이러한 단점으로 인해 물리적 방법의 사용은 단기 예측이나 장애물 없는 환경으로 제한됩니다.

2. 학습 기반 방법

적용 가능한 시나리오: 알 수 없는 복잡한 정보가 있는 현재 환경(예: 풍부한 의미가 있는 공공 영역)에 적합하며 이 정보는 비교적 큰 예측 범위에 사용될 수 있습니다.

장점:

• 학습 기반 방법은 잠재적으로 수집된 데이터세트에 인코딩된 모든 유형의 상황별 정보를 처리할 수 있습니다. 그 중 일부는 지도 기반이고 다른 일부는 상황별 정보를 더욱 확장하는 데 사용될 수 있습니다.

단점:

• 훈련을 위해서는 특정 위치에서 충분한 데이터를 수집해야 합니다.
• 상황별 정보 확장은 관련 학습, 데이터 효율성 및 일반화 문제로 이어질 수 있습니다.
• 안전이 중요하지 않은 구성 요소에 사용되는 경향이 있습니다. ADAS에서는 해석 가능성이 더 중요하며 이는 학습 기반 방법으로는 달성할 수 없습니다.

3. 계획 기반 방법

적용 시나리오: 끝점이 결정되고 환경 맵이 가능한 시나리오에서 좋은 성능을 발휘합니다.

장점:

• 위의 두 가지 조건이 충족되면 물리적인 방법보다 정확도가 좋고 학습 기반 방법보다 일반화 능력이 좋습니다.

단점:

• 기존 계획 알고리즘: Dijkstra, Fast Marching Method, 최적 샘플링 기반 모션 플래너는 대상 수, 환경 크기 및 예측 범위가 증가함에 따라 기하급수적으로 증가합니다.
• 간단한 물리 기반 모델과 비교할 때 상황 단서 기반 계획 방법의 매개 변수(예: 역 프로그래밍의 보상 함수 및 순방향 프로그래밍의 모델)는 사소하고 일반적으로 배우기 쉽지만 추론 측면에서는 높은 차원(대상) 에이전트 상태의 경우 효율성이 낮습니다.

계획 기반 방법은 기본적으로 지도 및 장애물을 인식하며 의미론적 단서를 사용하여 자연스럽게 확장됩니다. 일반적으로 상황에 따른 복잡성을 목표/보상 방정식으로 인코딩하지만 동적 라인 입력을 적절하게 통합하지 못할 수 있습니다. 따라서 저자는 동적 입력을 예측 알고리즘에 통합하기 위해 특정 수정 사항을 설계해야 했습니다(Jump Markov 프로세스, 예측 궤적의 로컬 적응, 게임 이론). 학습 기반 방법과 달리 전방 및 후방 계획 프로세스가 모두 동일한 대상 동적 모델을 기반으로 하기 때문에 대상 입력을 쉽게 병합할 수 있습니다.

질문 2: 이제 궤도 예측 문제가 해결되었나요?

궤적 예측의 필요성은 주로 애플리케이션 도메인과 그 안의 특정 사용 사례 시나리오에 따라 달라집니다. 궤적 예측의 문제가 단기간에 해결되었다고 할 수는 없을 것이다. 자동차 산업을 예로 들면, 최고 속도, 교통 규칙, 보행자 속도 및 가속도 분포, 차량의 편안한 가감속률에 대한 사양을 정의하는 특별한 표준 및 규정이 있기 때문에 요구 사항을 공식화하고 적용하는 데 가장 강력한 것으로 보입니다. 해결책을 제안합니다. 스마트카의 AEB 기능에 대해서는 솔루션이 소비자 제품의 산업적 생산이 가능한 성능 수준에 도달했고, 요구되는 활용 사례도 해결됐다고 할 수 있다. 다른 사용 사례의 경우 가까운 시일 내에 더 많은 표준화와 요구사항의 명확한 설명이 필요할 것입니다. 그리고 견고함과 안정성을 위해서는 여전히 발전할 필요가 있습니다.

궤적 예측이 이 문제를 해결했는지 여부에 답하기 전에 최소한 기준을 설정해야 합니다.

현재 로봇공학 분야에서는

• 물리적 모델과 학습을 기반으로 한 방법은 짧은 시간(1~2초)에 더 높은 정확도를 달성할 수 있습니다. 로컬 모션 계획 및 군중 충돌 방지에 매우 적합합니다. 가장 간단한 CV 모델은 로봇의 로컬 계획에 좋은 영향을 미칩니다. 보행자 간의 상호 작용과 로봇의 존재가 보행자의 움직임에 미치는 영향을 고려하면 고급 알고리즘이 많이 있습니다.
• 15~20초를 예측해야 하는 글로벌 경로 계획에는 큰 과제가 있습니다. 요구사항을 적절하게 완화할 수 있으며, 동적 및 정적 컨텍스트 입력(장기적으로 동작에 영향을 미치는 것, 환경 맵에 대한 추론, 대상의 의도 추론)을 이해하는 것이 매우 중요해집니다. 로컬 및 글로벌 경로 계획의 경우 위치 독립적 방법은 다양한 환경에서 동작을 예측하는 데 가장 적합합니다.
• 현재 로봇은 4.8초 안에 0.19-0.4m의 ADE를 예측합니다. 간단한 속도 모델도 0.53m의 ADE를 달성할 수 있습니다. 9s는 ADE를 1.4~2m로 예측합니다.

현재 자율주행 분야:

• 대부분의 작업은 길을 건너는 보행자를 고려합니다. 걷기 시작, 계속 걷기, 걷기 중지.
• 자전거: 자전거 운전자가 최대 5개의 서로 다른 도로 방향이 뒤에 있는 교차로에 접근합니다.

질문 3: 궤적 예측 성능을 측정하기 위한 현재의 평가 기술이 충분히 좋은가요?

현재 예측 알고리즘에 대한 체계적인 접근 방식이 부족합니다. 특히 상황별 입력을 고려하고 임의의 수의 대상을 예측하는 궤적 예측 방법의 경우 더욱 그렇습니다.

현재 대부분의 저자는 알고리즘 품질을 측정하는 지표로 기하학적 측정법(AED, FDE)만 사용합니다. 그러나 장기 예측의 경우 예측은 종종 다중 모드이고 불확실성과 연관되어 있으며 이러한 방법의 성능 평가는 음의 로그 우도 또는 KLD 손실에서 얻은 로그와 같이 이를 고려하는 측정항목을 사용해야 합니다.

인간 움직임의 무작위성과 지각 결함과 관련된 불확실성을 더 잘 반영하는 확률적 측정도 필요합니다.

감지 측면에서 감지 오류, 추적 결함, 자체 위치 불확실성 또는 지도 변경이 발생할 때 시스템의 안정성을 고려해야 하는 견고성 평가도 있습니다.

동시에 현재 사용되는 데이터 세트에는 매우 포괄적인 시나리오가 포함되어 있지만 이러한 데이터 세트는 일반적으로 반자동으로 주석이 추가되므로 불완전하고 잡음이 많은 실제 값 추정만 제공할 수 있습니다. 또한 장기 예측이 필요한 일부 응용 분야에서는 궤적 길이가 부족한 경우가 많습니다. 마지막으로, 데이터 세트의 대상 간 상호 작용은 일반적으로 제한됩니다. 예를 들어 희박한 환경에서는 대상이 서로 영향을 주기가 어렵습니다.

요약하자면, 예측 품질을 평가하기 위해 연구자는 보다 복잡한 데이터 세트(볼록하지 않은 장애물, 긴 궤적 및 복잡한 상호 작용 포함)와 완전한 지표(기하학 + 확률)를 선택해야 합니다. 더 나은 방법은 다양한 예측 시간, 다양한 관찰 기간, 다양한 장면 복잡성을 기반으로 다양한 정확도 요구 사항을 설정하는 것입니다. 그리고 견고성 평가와 실시간 평가가 이루어져야 합니다. 또한 ADAS 시스템이 백엔드에 미치는 영향을 측정할 수 있는 관련 지표[18]와 위험한 시나리오에 대한 민감도를 측정하는 지표가 있어야 합니다[1].

8 향후 방향

은 여기에 인용된 [2]의 토론에서 나왔습니다.

현재 추세는 단일 모델 + KF를 사용하는 방법을 뛰어넘기 위해 보다 복잡한 방법을 사용하는 것입니다. 정적 환경에 대한 더 나은 이해를 제공해야 합니다. 그리고 궤적 예측을 위한 의미론적 특징의 현재 사용은 여전히 ​​개발 중입니다

사회적으로 인식되는 시나리오에 관하여: ① 대부분의 최신 방법은 관찰된 모든 사람들의 행동이 유사하고 그들의 움직임이 동일한 모델에 의해 결정될 수 있다고 가정합니다. 높은 수준의 사회적 속성을 포착하고 추론하는 것은 아직 초기 개발 단계에 있지만 동일한 기능을 예측할 수 있습니다. ② 대부분의 실현 가능한 방법은 사람과 실제 사람 사이의 협동적 행동이 공동 전략보다는 개인 목표를 최적화하는 경향이 더 크다는 가정에 기초하고 있으므로 전통적인 AI + 게임 이론을 결합하는 방법은 매우 유망합니다.

1. 장기 예측의 경우 상황과 주변 상황을 기반으로 의도를 고려하므로 상황 정보가 특히 중요합니다. 현재의 많은 학습 기반 방법은 개인을 입자로 취급하고 이를 사용하여 미래 이동 방향을 결정하기 위해 정보를 전송하는 방법을 학습합니다. 인간의 목표 지향적 행동과 유사하게 보다 의도 중심적인 예측으로 이러한 모델을 확장하면 장기적인 예측에 도움이 될 것입니다.
2. 대부분의 계획 기반 방법은 주어진 목표 세트에 의존하기 때문에 목적지에 대한 사전 지식이 없거나 가능한 목적지 수가 너무 많은 경우에는 목표를 사용할 수 없거나 부정확하게 만듭니다. 이는 의미론적 정보를 기반으로 대상 엔드포인트의 자동 추론을 중요하게 만듭니다. 또는 환경에서 가능한 목적지를 동적으로 식별하고 이를 기반으로 궤적 예측을 수행할 수 있습니다. 이를 통해 알려지지 않은 환경에서도 계획 기반 방법을 사용할 수 있습니다.
3. 현재 방법은 환경에 명백한 모션 패턴이 있거나 환경의 공간 구조와 대상 에이전트의 목적지가 미리 알려진 경우와 같은 특정 유형의 작업을 해결하는 데 중점을 둡니다. 궤적 예측 방법은 정의되지 않은/변화하는 환경에 적응하고 예상치 못한 상황을 처리할 수 있어야 합니다. 이를 위해서는 기본 불변 규칙이나 일반적인 보행자 행동 또는 충돌 회피에 대한 학습 및 추론이 적절하지 않은 새로운 환경에 대처하기 위한 전이 학습 및 일부 방법이 필요합니다. 도메인 적응은 일반화 모델을 학습하는 데 사용될 수 있습니다.
4. 주의해야 할 또 다른 방향은 견고성과 통합성입니다.
5. 간단히 말하면 맥락 정보를 더 깊이 활용해야 하고, 다양한 목표에 대한 다양한 행동 모델, 게임 이론, 더 많은 정보를 기반으로 한 보다 강력한 의도 예측, 자동 추론 등을 갖추는 것이 가장 좋습니다. 종점, 새로운 환경에 대한 일반화 문제, 견고성 및 통합성.

위 내용은 자율주행 궤적 예측 기술 현황 및 개발 동향에 대해 논의의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!