Prédiction de mouvement impliquant intéractions agent à agent et modélisation multimodale

Behavior prediction involving agent-to-agent interactions and multi-modal modeling

• Auteur / Autrice : Caio Azevedo toné
• Direction : Fabien Moutarde
• Type : Projet de thèse
• Discipline(s) : Informatique temps réel, robotique et automatique - Paris
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CAOR - Centre de CAO et Robotique
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Prédiction de trajectoires

Intéractions agent à agent

Véhicules autonomes

Trajectory prediction

Agent-to-agent interactions

Autonomous vehicles

Résumé

Ce projet se concentre sur l'avancement des modèles de prédiction de comportement pour les véhicules autonomes, en particulier dans des environnements multi-agents et multi-modaux. L'objectif est de développer un module de prédiction capable de prévoir les trajectoires de tous les agents dans une scène de trafic, en garantissant la cohérence entre ces trajectoires, telles que l'évitement des collisions et l'alignement avec les interactions typiques du trafic. L'approche consistera à concevoir un système pouvant générer des ensembles diversifiés de trajectoires multi-modales, prenant en compte l'incertitude inhérente des environnements routiers et les intentions latentes des autres participants au trafic. Ces trajectoires représenteront différents scénarios futurs possibles avec divers degrés de probabilité, en intégrant des actions comme les changements de voie, les dépassements ou le cèdez-le-passage. En prévoyant plusieurs issues futures, le système permettra au véhicule autonome de naviguer de manière plus sécurisée et efficace dans des scénarios complexes. Le projet explorera également l'intégration du module de prédiction avec le système de planification de trajectoire du véhicule. Dans un premier temps, les sorties du module de prédiction seront transmises à un module de planification séparé pour évaluer comment les comportements prédits influencent les décisions du véhicule en termes de sécurité et de confort. Un aspect clé de la recherche sera de développer un modèle conjoint de prédiction et de planification, permettant une interaction entre les deux processus et permettant aux manœuvres prévues du véhicule d'influencer la prédiction des comportements des agents environnants. Ce système en boucle fermée améliorera la capacité du véhicule à adapter sa trajectoire en fonction des conditions de circulation évolutives. L'approche technique s'appuiera largement sur des techniques de deep learning à la pointe de la technologie, telles que les Transformers et les réseaux de graphes, pour modéliser les interactions séquentielles entre les agents. De plus, des modèles génératifs comme les autoencodeurs variationnels et les modèles de diffusion seront utilisés pour générer diverses issues potentielles. Le système sera testé à l'aide de jeux de données de référence publics, avec pour objectif de surpasser les modèles de prédiction actuels en termes de précision et d'efficacité. L'objectif ultime du projet est de créer un système robuste en temps réel pour la prédiction et la planification du comportement des véhicules autonomes, garantissant sécurité, confort et efficacité dans des environnements de circulation dynamiques.

This project focuses on advancing behavior prediction models for autonomous vehicles, particularly in multi-agent, multi-modal environments. The aim is to develop a prediction module capable of forecasting the trajectories of all agents in a traffic scene, ensuring consistency between these trajectories, such as avoiding collisions and aligning with typical traffic interactions. The approach will involve designing a system that can generate diverse sets of multi-modal trajectories, accounting for the inherent uncertainty of road environments and the latent intentions of other traffic participants. These trajectories will represent possible future scenarios with varying degrees of likelihood, incorporating actions like lane changes, overtaking, or yielding. By predicting multiple future outcomes, the system will enable the autonomous vehicle to navigate more safely and efficiently in complex scenarios. The project will also explore the integration of the prediction module with the vehicle's motion planning system. Initially, the prediction outputs will be fed into a separate planning module to evaluate how the predicted behaviors impact the vehicle's decisions in terms of safety and comfort. A key aspect of the research will be to develop a joint prediction and planning model, enabling feedback between the two processes and allowing the vehicle's intended maneuvers to influence the prediction of surrounding agents' behaviors. This closed-loop system will improve the vehicle's ability to adapt its trajectory based on evolving traffic conditions. The technical approach will heavily rely on state-of-the-art deep learning techniques, such as Transformers and graph networks, for modeling sequential interactions between agents. Additionally, generative models like variational autoencoders and diffusion models will be employed to generate diverse potential outcomes. The system will be tested using public benchmark datasets, with the goal of surpassing current prediction models in terms of accuracy and efficiency. The project's ultimate objective is to create a robust, real-time system for predicting and planning autonomous vehicle behavior that ensures safety, comfort, and efficiency in dynamic traffic environments.