Los puntos clave no están disponibles para este artículo en este momento.
La predicción de la trayectoria de vehículos en intersecciones es tanto esencial como desafiante para la navegación de vehículos autónomos. Este problema se agrava cuando el tráfico está compuesto predominantemente por vehículos más pequeños que frecuentemente desobedecen el comportamiento de carril, como es el caso en muchos países en desarrollo. Los enfoques macro existentes consideran el problema de predicción de trayectoria para el tráfico basado en carriles, lo que no puede contabilizar cuando hay una alta disparidad en el tamaño de los vehículos y el comportamiento de conducción entre diferentes tipos de vehículos. Por lo tanto, proponemos un enfoque de predicción de trayectoria de vehículos que modela la interacción entre diferentes tipos de vehículos con estilos de conducción muy distintos. Estas interacciones se encapsulan en forma de un contexto social integrado en una Red Generativa Adversarial (GAN) para predecir la trayectoria de cada vehículo en una intersección señalizada o no señalizada. El modelo GAN produce la trayectoria futura más aceptable entre muchas opciones que se ajustan al comportamiento de conducción pasado, así como a las trayectorias de los vehículos vecinos. Evaluamos el enfoque propuesto en videos aéreos de intersecciones grabados en China donde no se sigue la disciplina de carril por parte de los vehículos. El enfoque basado en GAN propuesto demuestra una mejora relativa del 6.4% en la predicción de trayectorias en comparación con el estado del arte.
Roy et al. (Tue,) estudiaron esta cuestión.