Addressing real-world scenarios via motion prediction in autonomous driving

Abstract

Isejuhtivate sõidukite valdkond on viimase kümnendi jooksul kiiresti arenenud. Üks olulisemaid komponente isejuhtivate sõidukite tarkvaras on teiste liiklejate tulevase käitumise ennustamine. Need ennustused on aluseks trajektoori planeerimisele, et valida takistusteta ja ohutu liikumistee. Antud doktoritöös keskendutakse sellele, kuidas isejuhtiva auto käitumist keerukates liiklusolukordades paremini mõista ning paremaks teha läbi teiste liiklejate käitumise parema ennustamise. Liiklusstsenaariumite lahendamiseks liikumisennustuse kaudu uuritakse esmalt liikumismudelite kirjandust ja pakutakse välja uudne taksonoomia, mis kategoriseerib ennustuse meetodeid kolme mõõtme alusel erinevat tüüpi liikluses osalevate agentide jaoks. Töö järgnevas osas pakutakse välja “anna teed” ristmiku navigeerimise meetod vabavaralise isejuhtivuse tarkvara jaoks, kasutades mitmemodaalseid ennustatud trajektoore. Kolmandas töö osas uuritakse stsenaariumite läbimise sõltuvust erinevatest isejuhtivuse tarkvara komponentidest. Pakutakse välja stsenaariumitel põhinev isejuhtivuse tarkvara hindamise meetod, mis võimaldab testida nii süsteemi tervikuna kui ka üksikuid komponente. Asjakohasuse tagamiseks viiakse läbi juhtumiuuring eespool nimetatud vabavaralise isejuhtivuse tarkvara osas, et hinnata stsenaariumitel põhineva metoodika sobivust objektituvastuse ja käitumise ennustamise komponentide testimiseks. Viimases osas pakutakse välja uudne masinõppe mudeli arhitektuur, mis kasutab eesmärgipõhist tingimist sõiduradade graafi peal. Pakutud mudelit hinnatakse avalikus võrdlustestis, kus see saavutas parima tulemuse. Täiendavalt arutletakse andmepõhiste mudelite piirangute üle praktilistes isejuhtivuse lahendustes. Kokkuvõttes kujutab käesolev doktoritöö endast kombinatsiooni akadeemilisest ja praktilisest uurimustööst, mis teeb sellest väärtusliku panuse isejuhtivate sõidukite uurimisse.

The autonomous industry has evolved rapidly in the past decade. One of the most crucial components of the autonomy pipeline is predicting the future behavior/trajectory of other traffic participants for efficiently navigating highly dynamic environments comprising complex traffic scenarios. The predicted estimates are used by the motion planner for planning obstacle-free path. This thesis delves into understanding and enriching autonomy solutions to handle such scenarios using motion prediction methods. To solve traffic scenarios using motion prediction, we first explore the literature on motion modelling and propose a novel taxonomy that categorizes the prediction models over three dimensions for different types of dynamic agents. In the follow-up contribution, we build a yielding area navigation solution for solving give-way scenarios on an open-source autonomy stack using multimodal predicted trajectories. A broader aspect of scenario dependencies over the different modules of autonomy stack is studied in the third contribution. Here, a holistic and modular level evaluation of the autonomy stack via scenarios is proposed. For relevancy, we do a case study on the above-mentioned autonomy stack testing scenarios against different modules of autonomy, specifically perception and prediction. In the final contribution, we first propose a novel motion model architecture that leverages goal conditioning over lane graphs. Here, we benchmark the proposed model on a public leaderboard, achieving state-of-the-art results. Additionally, we discuss the limitations of employing data-oriented models in practical autonomy pipelines. Overall, a blend of academic and practical research makes this thesis a significant contribution to the autonomous driving community.