Motion prediction of ego vehicle in complex scenarios

• Main Author: Backman, Anton
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2019
• Subjects: Engineering and Technology; Teknik och teknologier
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-278497

In this thesis, we study the trajectory prediction problem of an ego vehicle,i.e. "predicting" the location of the ego vehicle in the short future. Instead oftraditional methods, we use Machine Learning (ML) techniques since they easilyincorporate features, such as contextual information from the environment, theprediction process The contextual features signicantly improve the predictionquality since they provide important information about the driving environmentand scenarios.The Long Short-Term Memory (LSTM) model is used to develop variouspredictors which utilize dierent features. The predictors are evaluated againsta Zero-order hold (ZOH) model as a baseline. All models are evaluated ona complete test data set as well as specic, complex, test cases. The resultsshow that the proposed predictors generally outperform the ZOH model. Furthermore,the Root Mean Square Error (RMSE) is halved in many complexscenarios, suggesting more reliable predictions. === Detta examensarbete handlar om att tackla problemet med att prediktera bratrajektorier av egofordonet, det vill säga att ”gissa” vart egofordonet kommer attåka i nära framtiden. Genom att använda maskininlärning istället för att göra modeller på det traditionella sättet så har det blivit enklare att använda andra kännetäcken, såsom kontextuell information från omgivningen, i modellerna. Dessa kännetäcken hjälper modellerna att göra bra prediktioner eftersom de ger ledtrådar om vilken situation egofordonet är i. Maskininlärning kan också vara det bättre alternativet eftersom maskininlärningsmodeller kan potentiellt se mönster som de traditionella metoderna inte kan se.LSTM modeller som använder olika kännetäcken har skapats. Dessa har evaluerats för att undersöka vilka kännetäcken som, till synes, verkar vara de viktigaste för prediktionerna. Modellerna har ställts mot en nollte ordningens model som är satt som en baslinje. Alla modeller har evaluerats på ett helt test dataset. De har också blivit evaluerade på specfika, komplexa, testfall. Resultaten visar att de förslagna modellerna är generellt bättre än nollte ordningens modellen samt att maskininlärningmodellernas RMSE är halverad i många kom-plexa testfall, vilket antyder en förbättring.