Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Motion Prediction of Surrounding Vehicles in Highway Scenarios With Deep Learning
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Anticipating the future positions of the surrounding vehicles is a crucial task foran autonomous vehicle in order to drive safely. To foresee complex manoeuvresfor longer time horizons, a framework that relies on high-level properties ofmotion and is able to incorporate, e.g. contextual features, is needed. In thisthesis, the problem of predicting the trajectories of the surrounding vehicles ona highway is tackled by using machine learning. The objective is to evaluate theperformance of recurrent neural networks for trajectory prediction, specificallylong-short term memory neural networks. Moreover, the goal is to investigateif contextual features can improve the predictions.The problem of predicting future trajectories is solved by using two differentapproaches, which are compared by using the same framework. The firstapproach is based on the vehicle states of the surrounding vehicles relative tothe ego-vehicle, where the reference system is in the ego-vehicle. The secondapproach is based on the velocities of the vehicles relative to the ground, wherethe reference system is in the ground. The results show that, with the proposedarchitecture, the latter approach results in a lower RMSE in the longitudinaldirection compared with the former approach. The results also show that theproposed models, overall, outperform a simple model, which is based on polynomialfitting, particularly in the lateral direction where the proposed modelsare significantly better than the polynomial models. Furthermore, contextualfeatures do not improve the predictions significantly. However, the results indicatethat contextual information has a positive impact on the predictions inspecific scenarios.

Abstract [sv]

Att kunna förutse framtida rörelser av kringliggande fordon är en viktig uppgiftför att ett autonomt fordon ska kunna köra säkert. För att kunna förutspå komplexamanövreringar för längre tidshorisonter, behövs ett ramverk baserat påavancerade egenskaper hos rörelser och som kan integrera t.ex. kontextuell information.I detta examensarbete betraktas problemet att förutspå trajektorierav kringliggande fordon på motorväg med hjälp av maskininlärning. Målet äratt utvärdera prestandan av recurrent neural networks för denna uppgift, specifiktlong-short term memory neural networks. Målet är också att undersöka omkontextuell information kan förbättra prediktionerna.Problemet att prediktera framtida trajektorier är löst genom att användatvå olika tillvägagångssätt. Det ena tillvägagångssättet är baserat på fordonstillståndenav de kringliggande fordonen relativt ego-fordonet, där referenssystemetär i ego-fordonet. Det andra tillvägagångssättet är baserat på hastigheternaav fordonen relativt marken, där referenssystemet är i marken. Resultatetvisar att det sistnämnda tillvägagångssättet resulterar i ett lägre RMSE i denlongitudinella riktningen, med den föreslagna arkitekturen, jämfört med detförstnämnda. Resultaten visar även att de framtagna modellerna, totalt sett,presterar bättre än en simpel modell som är baserad på polynomanpassning,speciellt i lateral riktning där de framtagna modellerna är betydligt bättreän polynomanpassningarna. Det visar sig också att kontextuell informationinte förbättrar prediktionerna signifikant, däremot indikerar resultaten att detpåverkar prediktionerna positivt i specifika scenarier.

Place, publisher, year, edition, pages
2019. , p. 59
Series
TRITA-EECS-EX ; 2019:278
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-254408OAI: oai:DiVA.org:kth-254408DiVA, id: diva2:1331911
External cooperation
Scania
Educational program
Master of Science - Systems, Control and Robotics
Supervisors
Examiners
Available from: 2019-06-27 Created: 2019-06-27 Last updated: 2019-06-27Bibliographically approved

Open Access in DiVA

fulltext(4463 kB)54 downloads
File information
File name FULLTEXT01.pdfFile size 4463 kBChecksum SHA-512
79276eb754a1364ed6049cb68ecf375d4f7bc9ef5e6422fc9a008d40a903267aef5730531ec98bc4b1837a2c97b219442cb4fd0521eff40e566724a3a8564a71
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 54 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 232 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf