Multi-Agent Interaction-Aware Trajectory Prediction based on Behavior Intention for Autonomous Vehicle in Urban Scenarios (2024)
- Authors:
- Autor USP: GOMES, IAGO PACHECO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- DOI: 10.11606/T.55.2024.tde-02122024-095408
- Subjects: VEÍCULOS AUTÔNOMOS; TRANSPORTE URBANO; IMPACTOS AMBIENTAIS; APRENDIZADO COMPUTACIONAL; VISÃO COMPUTACIONAL
- Keywords: Autonomous vehicles; Behavior intention prediction; Driving styles; Estilo de direção; Interação; Interaction; Predição de intenção de comportamento; Predição de trajetória; Trajectory prediction
- Agências de fomento:
- Language: Inglês
- Abstract: Os veículos autônomos têm o potencial de transformar o transporte urbano, aumentando a eficiência, acessibilidade e segurança, enquanto reduzem o impacto ambiental. Esses veículos utilizam vários componentes para entender o ambiente externo, avaliar seu próprio estado e interagir com outros participantes do tráfego. Para navegar com segurança, eles empregam algoritmos para detectar, classificar e evitar obstáculos. No entanto, apenas detectar a posição de um obstáculo é insuficiente para garantir a segurança no trânsito. Portanto, a predição de intenção de comportamento e de trajetória desses agentes são essenciais. Essas capacidades permitem que os algoritmos de tomada de decisão e de planejamento de rota antecipem situações perigosas ao considerar cenários prováveis. A área de predição de trajetória abrange abordagens que consideram os movimento dos agentes, suas intenções de manobra e suas interações. Modelar essas interações é particularmente desafiador devido à complexidade dos fatores que influenciam as ações de cada agente, como fatores psicológicos, experiência de condução, regras de trânsito, considerações de segurança e as ações dos motoristas ao redor. Esta tese investiga e propõe uma nova abordagem de Predição Multi-Agente de Trajetória (MAIATP), que é composta de cinco componentes: Modelagem da Geometria da Ruas, que usa imagens de visão aérea para representar características globais e locais; Reconhecimento de Estilo de Direção, que classifica os motoristascomo calmos, moderados ou agressivos usando um Sistema de Inferência Fuzzy Intervalar Tipo-2 com Tomada de Decisão por Múltiplos Especialistas Fuzzy; Modelagem de Interação, que emprega uma nova rede neural para grafos, chamada de Graph Mixture of Experts Attention Network (GMEAN), que usa estimativas de comportamento prévias para ponderar os escores de atenção; Previsão de Intenção de Comportamento, que estima os comportamentos laterais e longitudinais de veículos e pedestres, considerando suas interações; e, finalmente, o módulo de Predição de Trajetória, que usa um Autoencoder Variacional Condicional (CVAE) para modelar explicitamente as variáveis condicionais inerentes ao comportamento dos agentes em cenários de tráfego. A exploração teórica e a validação experimental desses componentes destacam a importância da interação para a predição de intenção de comportamento e de trajetória. Os resultados também demonstram as vantagens de modelar explicitamente as variáveis condicionais. Por fim, a tese também abordada os desafios da predição multimodal, incluindo a natureza desbalanceada dos conjuntos de dados e a complexidade de desenvolver um modelo de predição de trajetória multi-agente para cenários de tráfego heterogêneos.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 16.08.2024
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
GOMES, Iago Pachêco. Multi-Agent Interaction-Aware Trajectory Prediction based on Behavior Intention for Autonomous Vehicle in Urban Scenarios. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02122024-095408/. Acesso em: 21 jan. 2026. -
APA
Gomes, I. P. (2024). Multi-Agent Interaction-Aware Trajectory Prediction based on Behavior Intention for Autonomous Vehicle in Urban Scenarios (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02122024-095408/ -
NLM
Gomes IP. Multi-Agent Interaction-Aware Trajectory Prediction based on Behavior Intention for Autonomous Vehicle in Urban Scenarios [Internet]. 2024 ;[citado 2026 jan. 21 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02122024-095408/ -
Vancouver
Gomes IP. Multi-Agent Interaction-Aware Trajectory Prediction based on Behavior Intention for Autonomous Vehicle in Urban Scenarios [Internet]. 2024 ;[citado 2026 jan. 21 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-02122024-095408/ - A Software Architecture Proposal for Autonomous Vehicles
- Scheduling system for sultiple self-driving cars using k-means and bio-inspired optimization algorithms
- Multi-agent interaction-aware behavior intention prediction using graph mixture of experts attention network on urban roads
- Driving style recognition using interval type-2 fuzzy inference system and multiple experts decision-making
- A comprehensive review of deep learning techniques for interaction-aware trajectory prediction in urban autonomous driving
- Late-fusion multimodal human detection based on RGB and thermal images for robotic perception
- Interaction-aware maneuver prediction for autonomous vehicles using interaction graphs
- Health monitoring system for autonomous vehicles using dynamic bayesian networks for diagnosis and prognosis
- A health monitoring system with hybrid bayesian network for autonomous vehicle
- Interaction-aware maneuver intention prediction using gated mixture-of-experts attention mechanism
Informações sobre o DOI: 10.11606/T.55.2024.tde-02122024-095408 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
