For autonomous vehicles to drive safely, it is crucial to predict the motion of other vehicles as well as to detect them. The motion of the vehicle is a challenging problem because it is influenced by many variables such as the road environment and interactions between traffic participants. In this paper, we propose a deep learning-based network that uses Convolutional Gated Recurrent Units (GRU) for robust trajectory prediction. We used sequential images rasterized the position, dimension, and heading of surrounding vehicles and High Definition map. Our method outputs future probability images, therefore, it can predict multiple paths and the output can be directly used for path planning as a cost map. We evaluate our method on the Lyft dataset and the KAIST campus dataset we collect. Then, we show the prediction accuracy on noisy perception dataset is improved compared to other methods. In addition, our method runs at 20 ms.
자율주행차가 안전하게 운행하기 위해 다른 교통참가자들을 탐지하는 것 뿐만 아니라 그들의 움직임을 예측하는 것이 필요하다. 다른 차량의 움직임은 도로 환경, 교통 참가자들의 상호작용과 같은 다양한 변수들에 영향을 받기 때문에 어려운 문제이다. 본 논문에서는 Convolutional Gated Recurrent Units (GRU) 을 이용한 딥러닝 기반 주변차량의 강건한 경로 예측 알고리즘을 제안한다. 노이즈에 강건한 경로 예측을 위해 주변 차량의 위치, 크기, 방향과 고정밀 지도를 래스터화한 이미지를 사용한다. 제안하는 방법은 미래의 확률 이미지를 산출하므로, 한 차량에 대해 다중 경로를 예측할 수 있고, cost map 처럼 쓰여 경로 계획에 직접 사용될 수 있다. Lyft 데이터셋과 카이스트 캠퍼스 데이터셋을 수집해 성능을 검증했으며, 다른 알고리즘에 비해 노이즈한 인식 데이터셋에서 예측 정확도가 향상된 것을 보였다. 또한 제안하는 알고리즘은 20 ms 로 동작하여 실시간으로 적용될 수 있음을 보였다.
