Key points are not available for this paper at this time.
La prédiction des trajectoires des véhicules environnants est cruciale pour la planification de chemins sans collision. Dans cette étude, nous nous concentrons sur un scénario où un véhicule connecté et autonome (CAV) sert d'agent central, utilisant à la fois des capteurs et des technologies de communication pour percevoir son trafic environnant composé de véhicules autonomes (AVs), de véhicules connectés (CVs) et de véhicules à conduite humaine (HDVs). Notre tâche de prédiction de trajectoire vise tous les véhicules environnants détectés. Pour intégrer efficacement les données multi-sources provenant des technologies de capteurs et de communication, nous proposons un cadre d'apprentissage profond appelé MSMA utilisant un module d'attention croisée pour la fusion de données de différentes sources. Des données de cartes vectorielles sont utilisées pour fournir des informations contextuelles. Le jeu de données de trajectoire est collecté dans le simulateur CARLA avec des erreurs de données synthétisées introduites. Des expériences numériques montrent que dans un scénario de flux de trafic mixte, l'intégration de données provenant de différentes sources améliore notre compréhension de l'environnement. Cela améliore notablement la précision de la prédiction des trajectoires, en particulier dans des situations avec un taux de pénétration du marché CV élevé. Le code est disponible sur : https://github.com/xichennn/MSMA.
Chen et al. (mar,) ont étudié cette question.