Ein kognitionsbasierter Ansätz zur Vorhersage von Trajektorien für autonomes Fahren

In der Technologie autonomer Fahrzeuge (AV) ist die Fähigkeit, die Bewegungen umliegender Fahrzeuge genau vorherzusagen, entscheidend für die Gewährleistung von Sicherheit und betrieblicher Effizienz. Die Integration menschlicher Entscheidungsfindungseinblicke ermöglicht es AVs, potenzielle Handlungen anderer Fahrzeuge effektiver vorherzusehen, was die Vorhersagegenauigkeit und Reaktionsfähigkeit in dynamischen Umgebungen erheblich verbessert. In diesem Papier wird das Modell der menschenähnlichen Trajektorienvorhersage (HLTP) vorgestellt, das ein Lehrer-Schüler-Wissen-Destillationsframework übernimmt, inspiriert von menschlichen kognitiven Prozessen. Das HLTP-Modell beinhaltet ein anspruchsvolles Lehrer-Schüler-Wissen-Destillationsframework. Das "Lehrermodell", ausgestattet mit einem adaptiven visuellen Sektor, imitiert die visuelle Verarbeitung des menschlichen Gehirns, insbesondere die Funktionen der Okzipital- und Temporallappen. Das "Schülermodell" konzentriert sich auf Echtzeiteingaben und Entscheidungsfindung und zieht Parallelen zu den Funktionen des präfrontalen und parietalen Kortex. Dieser Ansatz ermöglicht eine dynamische Anpassung an sich ändernde Fahrszenarien und erfasst wesentliche sensorische Hinweise für eine genaue Vorhersage. Bewertet mit dem Macao Connected and Autonomous Driving (MoCAD)-Datensatz sowie den NGSIM- und HighD-Benchmarks zeigt HLTP eine überlegene Leistung im Vergleich zu bestehenden Modellen, insbesondere in herausfordernden Umgebungen mit unvollständigen Daten. Die Projektseite ist auf Github verfügbar.