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
Behavior Prediction of Surrounding Vehicles in a Road Network for Autonomous Driving
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]

To ensure the safety of the road system, an autonomous vehicle should have a good understanding of its surrounding environment. This thesis designs a framework for trajectory prediction of surrounding vehicles on a highway road system based on their historical information such as past positions, velocities and their neighbouring vehicles. The framework consists of a long short-term memory (LSTM) networks with a encoder-decoder structure that handles this sequence-to-sequence prediction problem. In order to account for uncertainty, confidence values are assigned to different maneuvers based on a maneuver classification network, so the final output of the framework is several possible future trajectories with particular probabilities. The experiments using NGSIM Us-101 and I-80 datasets show that this framework outperforms a simply stacked LSTM-dense network. Besides, the suitable input features for the framework are also analyzed in this thesis.

Abstract [sv]

För att säkerställa hög säkerhet i vägnätverket, ska ett autonomt fordon ha en god förståelse för sin omgivande miljö samt kunna resonera om hur den kommer utvecklas med tiden. Detta arbete innefattar ett ramverk för rörelsemönsterprediktion för omgivande fordon i ett motorvägssystem baserat på deras historik, såsom tidigare positioner, hastigheter och närliggande fordon. Ramverket består av ett långoch korttidsminnesbaserat neuralt nätverk (Long Short Term Memory, LSTM) med en kodaroch avkodarstruktur som hanterar detta sekvens-till-sekvens-prediktionsproblem. För att ta hänsyn till osäkerhet associeras osäkerhetsvärden till de olika predikterade rörelsemönstren baserat på ett manöver-klassificeringsnätverk, så att ramverkets slutliga utdata är flera möjliga framtida banor med associerade sannolikheter. Experimenten är baserade på data från NGSIM US-101 och I-80 och resultaten visar att detta ramverk överträffar ett enkelt staplat LSTM nätverk. Utöver detta analyseras även indatat till nätverket för att utvärdera de olika insignalernas påverkan på prediktionernas prestanda.

Place, publisher, year, edition, pages
2019. , p. 42
Series
TRITA-EECS-EX ; 2019:550
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-263236OAI: oai:DiVA.org:kth-263236DiVA, id: diva2:1367602
External cooperation
SCANIA CV AB
Supervisors
Examiners
Available from: 2019-11-18 Created: 2019-11-04 Last updated: 2019-11-18Bibliographically approved

Open Access in DiVA

fulltext(3324 kB)5 downloads
File information
File name FULLTEXT01.pdfFile size 3324 kBChecksum SHA-512
8ec8eb63223cf31532da0cf29fd9565cb4be1e3a436922815c3b2682c3456c40449879a9a123bdaad468501eac5a9be48ff406e05261ee91329b2be76968ffcc
Type fulltextMimetype application/pdf

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

Search outside of DiVA

GoogleGoogle Scholar
Total: 5 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: 16 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