Передбачення поведінки транспортних засобів з використанням нейронних мереж

Abstract

Магістерська робота базується на двох підходах до вирішення задачі прогнозування довгострокової поведінки транспортних засобів: використанні революційного методу растеризації навколишнього середовища для вилучення семантики за допомогою згорткової нейронної мережі та векторного методу кодування навколишнього середовища з використанням ієрархічної графової нейронної мережі. У ході дослідження було розроблено принципово новий спосіб генерації синтетичних даних на основі комп'ютерної гри з відкритим світом GTA V та навчена мережа для їх пост-обробки у вигляді виявлення автомобілів. Обидва зазначені вище підходи були реалізовані на основі різних нейронних згорткових та графових архітектур у фреймворку PyTorch, отримані мережі були успішно навчені, а їх результати ретельно порівнювалися. Об'єкт дослідження – використання нейронних мереж для прогнозування руху та поведінки транспортних засобів. Мета роботи – аналіз існуючих підходів до довгострокового прогнозування поведінки транспортних засобів; дослідження state-of-the-art підходів до створення нейронних мереж та їх особливостей у контексті поставленої задачі; вивчення принципів реалізації нейронних мереж із використанням фреймворку PyTorch; розробка та впровадження оптимізацій в уже існуючі підходи до об'єкту дослідження; реалізація принципу растеризації та векторизації навколишнього середовища та їх оцінка. Методи дослідження – побудова нейронних архітектур різної структури та їх оптимізація з урахуванням особливостей предметної області та даних; розробка методології та її застосування до використання GTA V як симулятора для генерації синтетичних даних; реалізація архітектур, навчання нейронних мереж та порівняння результатів із вже досягнутими у цій сфері. Область застосування – довгостроковий аналіз та прогнозування поведінки транспортних засобів на автомагістралях та перехрестях. Класифікація маневрів транспортних засобів, прогнозування траєкторій маневрів. Системи оцінки та 5 автоматичного прийняття рішень для безпілотних автомобілів. The master's thesis is based on two approaches to solving the problem of predicting the long-term behavior of vehicles: using a revolutionary rasterization method of the surrounding environment to extract semantics using a convolutional neural network, and a vector method of encoding the environment using a hierarchical graph neural network. During the research, a fundamentally new way of generating synthetic data based on the open-world computer game GTA V was developed, and a network for their post processing in the form of car detection was trained. Both of the aforementioned approaches were implemented using various neural convolutional and graph architectures in the PyTorch framework, the networks were successfully trained, and their results were meticulously compared. The object of the study is the use of neural networks for predicting the movement and behavior of vehicles. The aim of the work is to analyze existing approaches to long-term prediction of vehicle behavior; investigate state-of-the-art approaches to neural network construction and their features in the context of the set task; study the principles of neural network implementation using the PyTorch framework; develop and implement optimizations in existing approaches to the research object; realize the principle of rasterization and vectorization of the environment and evaluate them. Research methods include building neural architectures of various structures and optimizing them considering the specifics of the subject area and data; developing a methodology and applying it to the use of GTA V as a simulator for generating synthetic data; implementing architectures, training neural networks, and comparing the results with those already achieved in this field. The area of application is the long-term analysis and prediction of vehicle behavior on highways and intersections. Classification of vehicle maneuvers, prediction of maneuver trajectories. Evaluation and automatic decision-making systems for autonomous vehicles.