Predição de Trajetória Baseada em Manobras para Carros Autônomos Usando Redes Neurais Convolucionais Espaciotemporais

A capacidade de prever os movimentos futuros de outros veículos é uma habilidade subconsciente e sem esforço para os humanos, sendo fundamental para a condução autônoma segura. Portanto, a previsão de trajetória para carros autônomos ganhou muita atenção nos últimos anos. Entretanto, ainda é uma tarefa difícil alcançar um desempenho em nível humano. As interdependências entre os comportamentos dos veículos e a natureza multimodal das intenções futuras em um ambiente de condução dinâmico e complexo tornam a previsão de trajetória um problema desafiador. Neste trabalho, propomos uma nova abordagem orientada por dados para prever o movimento de veículos em um ambiente rodoviário. O modelo permite inferir intenções futuras a partir da interação passada entre veículos em cenários de condução em rodovias. Usando nossa representação de dados baseada em vizinhança, o sistema proposto explora conjuntamente correlações nos domínios espacial e temporal utilizando redes neurais convolucionais. Nosso sistema considera múltiplas intenções de manobra possíveis e seus respectivos movimentos e prevê a trajetória para cinco segundos no futuro. Implementamos nossa abordagem e a avaliamos em dois conjuntos de dados de rodovia coletados em diferentes países, conseguindo alcançar um desempenho de previsão competitivo.