Авторы новой работы выдвинули гипотезу о том, что модели лучше всего обучать с помощью прогнозирования краткосрочных и долгосрочных целей объектов вокруг. Получившаяся модель эффективно планирует движения робота или транспортного средства на основе предсказанных движений.
Исследователи планируют разработать архитектуру, которая рассматривает как краткосрочные, так и долгосрочные цели — это главные компоненты при оценке намерений пешехода или автомобиля.
Например, есть автомобиль, который на перекрестке хочет повернуть налево. Важно учитывать не только динамику транспорта, но и то, как намерение может измениться в зависимости от разных факторов: из-за собственного желания, других участников движения или преграды
Далее алгоритм сначала кодирует прошлый опыт, на котором обучалась модель, чтобы предсказать, какие могут быть долгосрочные и краткосрочные последствия.
Всем окружающим объектам модель присваивает метки — это «намерения», которые могут меняться по ходу движения, «окружающая среда», например, дорожные знаки и деревья, влияющие на намерения агентов, а также «контекстуальные метки», такие как погода и дорожные условия.
Исследователи оценили свою модель в серии тестов и обнаружили, что она превосходит другие современные методы прогнозирования траекторий на 27%.
Разработчики считают, что модель можно использовать для повышения безопасности и производительности автономных транспортных средств. Кроме того, другие исследовательские группы могут использовать набор данных LOKI для подготовки своих собственных моделей для прогнозирования траекторий пешеходов и транспортных средств на дороге.
Читать далее
Новая iOS 15: дата выпуска, дизайн и функции iPhone. Рассказываем все, что известно
Из белого графена сделали сверхтонкий материал. Он заменит серверы
Посмотрите на тяжелый ударный беспилотник, который несет оружие весом в тонну