MARC

 008250123s2024        us                              c    eng  d
■001000017162494
■00520250211152019
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382837109
■035    ▼a(MiAaPQ)AAI31332013
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aWu,  Keshu.
■24512▼aA  Learning-Based  Integrated  Framework  of  Motion  Prediction  and  Planning  for  Connected  and  Automated  Vehicles:  Towards  Interaction,  Multi-Modality,  and  Relational  Reasoning
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a149  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Ran,  Bin.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2024.
■520    ▼aPredicting  vehicle  trajectories  and  ensuring  safe  and  efficient  trajectory  planning  are  critical  for  the  operational  efficiency  and  safety  of  automated  vehicles,  especially  on  congested  multi-lane  highways.  In  these  dynamic  environments,  a  vehicle's  movement  is  influenced  by  its  historical  behaviors  and  interactions  with  surrounding  vehicles.  These  complex  interactions  result  from  unpredictable  motion  patterns,  leading  to  diverse  modalities  of  driving  behaviors  that  necessitate  thorough  investigation.  Additionally,  in  multi-agent  systems,  dynamic  interactions  among  agents  often  display  cooperative  and  competitive  behaviors.  Such  group-wise  interactions,  though  common,  are  rarely  modeled.  Traditional  methods,  while  effective  in  capturing  pair-wise  interactions,  fail  to  represent  the  collective  influence  of  groups  on  each  other's  behaviors  in  real-world  traffic  scenarios.  Therefore,  modeling  the  group-wise  interactions  of  multi-modal  driving  behaviors  among  multiple  agents  is  essential.  In  dense  traffic  conditions,  vehicles  frequently  change  lanes,  accelerate,  decelerate,  and  engage  in  complex  interactions  with  other  agents.  These  interactions  often  involve  multiple  possible  longitudinal  and  lateral  behaviors  of  various  entities  influencing  each  other  simultaneously,  which  cannot  be  fully  captured  by  considering  only  pair-wise  relationships.  Furthermore,  the  stochastic  nature  of  human  behavior  adds  complexity,  requiring  models  that  handle  the  uncertainty  and  variability  in  agent  behaviors  for  safe  and  efficient  driving.  Thus,  a  critical  challenge  lies  in  representing  and  reasoning  about  the  diverse  interactions  among  agents  and  their  multiple  possible  behaviors  to  achieve  socially  inspired  automated  driving.This  dissertation  introduces  the  Graph-based  Interaction-aware  Multi-modal  Trajectory  Prediction  (GIMTP)  framework,  designed  to  probabilistically  predict  future  vehicle  trajectories  by  effectively  capturing  these  interactions.  Within  this  framework,  vehicle  motions  are  conceptualized  as  nodes  in  a  time-varying  graph,  and  traffic  interactions  are  represented  by  a  dynamic  adjacency  matrix.  To  comprehensively  capture  both  spatial  and  temporal  dependencies  embedded  in  this  dynamic  adjacency  matrix,  the  methodology  employs  the  Diffusion  Graph  Convolutional  Network  (DGCN),  providing  a  graph  embedding  of  both  historical  and  future  states.  Additionally,  a  driving  intention-specific  feature  fusion  is  implemented,  enabling  the  adaptive  integration  of  historical  and  future  embeddings  for  enhanced  intention  recognition  and  trajectory  prediction.  This  model  offers  two-dimensional  predictions  for  each  mode  of  longitudinal  and  lateral  driving  behaviors  and  provides  probabilistic  future  paths  with  corresponding  probabilities,  addressing  the  challenges  of  complex  vehicle  interactions  and  multi-modality  of  driving  behaviors.  To  further  facilitate  interaction-aware  multi-modal  motion  prediction  for  multi-agent  systems,  GIMTP  is  enhanced  to  Graph-based  Interaction-aware  Reliable  Anticipative  Feasible  Future  Estimator  (GIRAFFE),  which  offers  multi-modal  predictions  by  considering  the  behaviors  of  multiple  vehicles.Building  upon  the  robust  GIRAFFE  framework,  this  dissertation  further  integrates  the  Relational  Hypergraph  Interaction-informed  Neural  mOtion  generator  and  planner  (RHINO),  a  proposed  model  for  motion  planning  that  revolutionizes  interaction  modeling  and  relational  reasoning  for  trajectory  prediction  and  planning  with  multiscale  hypergraph  representations.  RHINO  distinguishes  itself  by  surpassing  previous  methods  that  primarily  consider  pair-wise  interactions  with  limited  relational  insight.  It  introduces  a  multiscale  hypergraph  neural  network  designed  to  capture  intricate  dynamics  involving  both  pair-wise  and  group-wise  interactions  across  multiple  scales.  RHINO's  multiscale  hypergraph  is  engineered  to  be  trainable,  enabling  the  system  to  discern  more  complex  interaction  patterns  within  traffic,  such  as  varying  group  sizes  and  the  nuances  of  collective  behaviors.  For  interaction  representation  learning,  RHINO  adopts  a  three-element  format  that  facilitates  end-to-end  learning.  This  innovative  approach  allows  for  explicit  reasoning  of  relational  factors,  including  interaction  strength  and  category,  which  are  crucial  for  accurate  and  socially  aware  motion  planning.  Furthermore,  RHINO  is  integrated  into  both  a  Conditional  Variational  Autoencoder  (CVAE)-based  prediction  system  and  enhanced  state-of-the-art  prediction  frameworks  to  yield  socially  plausible  trajectories  grounded  in  relational  reasoning.  The  efficacy  of  RHINO  in  understanding  group  behavior  and  discerning  interaction  dynamics  is  substantiated  through  synthetic  physics  simulations,  reflecting  its  capability  to  capture  group  behaviors  and  reason  about  the  strength  and  category  of  interactions.  The  effectiveness  of  this  motion  planning  system  is  validated  through  extensive  experiments  on  two  real-world  trajectory  prediction  datasets.  This  integrated  framework  of  motion  prediction  and  planning,  adopting  the  GIRAFFE  framework  and  RHINO  framework,  positions  it  as  a  powerful  tool  in  advancing  the  safety  and  efficiency  of  automated  vehicle  operations,  especially  in  the  complex  and  unpredictable  environment  of  multi-lane  highways.
■590    ▼aSchool  code:  0262.
■650  4▼aTransportation
■650  4▼aEnvironmental  engineering
■653    ▼aHypergraph
■653    ▼aInteraction  representation
■653    ▼aLearning-based  motion  planning
■653    ▼aMotion  prediction
■653    ▼aMulti-modal  prediction
■653    ▼aRelational  reasoning
■690    ▼a0709
■690    ▼a0543
■690    ▼a0775
■71020▼aThe  University  of  Wisconsin  -  Madison▼bCivil  &  Environmental  Engr.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162494▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books