Prediction of highway lane changes based on prototype trajectories

Abstract

The vision of automated driving is to increase both road safety and efficiency, while offering passengers a convenient travel experience. This requires that autonomous systems correctly estimate the current traffic scene and its likely evolution. In highway scenarios early recognition of cut-in maneuvers is essential for risk-aware maneuver planning. In this paper, a statistical approach is proposed, which advantageously utilizes a set of prototypical lane change trajectories to realize both early maneuver detection and uncertainty-aware trajectory prediction for traffic participants. Generation of prototype trajectories from real traffic data is accomplished by Agglomerative Hierarchical Clustering. During clustering, the alignment of the cluster prototypes to each other is optimized and the cohesion of the resulting prototype is limited when two clusters merge. In the prediction stage, the similarity of observed vehicle motion and typical lane change patterns in the data base is evaluated to construct a set of significant features for maneuver classification via Boosted Decision Trees. The future trajectory is predicted combining typical lane change realizations in a mixture model. B‑splines based trajectory adaptations guarantee continuity during transition from actually observed to predicted vehicle states. Quantitative evaluation results demonstrate the proposed concept’s improved performance for both maneuver and trajectory prediction compared to a previously implemented reference approach.

Zusammenfassung

Die Vision des automatisierten Fahrens ist es, sowohl die Verkehrssicherheit als auch die Effizienz zu erhöhen und gleichzeitig den Fahrgästen ein komfortables Reiseerlebnis zu bieten. Dies erfordert, dass autonome Systeme die aktuelle Verkehrssituation und deren wahrscheinliche Entwicklung korrekt einschätzen. In Autobahnszenarien ist die frühzeitige Erkennung von Einschermanövern für eine risikobewusste Manöverplanung unerlässlich. In diesem Beitrag wird ein statistischer Ansatz präsentiert, der eine Reihe von prototypischen Fahrstreifenwechsel-Trajektorien nutzt, um sowohl eine frühzeitige Manövererkennung als auch eine Trajektorienvorhersage für Verkehrsteilnehmer unter Berücksichtigung von Unsicherheiten zu realisieren. Die Generierung von Prototyptrajektorien aus realen Verkehrsdaten erfolgt durch Agglomerative Hierarchical Clustering. Während des Clusterings wird die Ausrichtung der Cluster-Prototypen zueinander optimiert und die Kohäsion des resultierenden Prototypen bei der Fusion zweier Cluster beschränkt. Im Zuge der Prädiktion werden die Ähnlichkeiten der beobachteten Fahrzeugbewegungen zu typischen Spurwechselmustern in der Datenbank ausgewertet, um signifikante Merkmale für die Manöverklassifizierung mittels Boosted Decision Trees zu konstruieren. Die zukünftige Trajektorie wird vorhergesagt, indem typische Fahrstreifenwechselrealisierungen in einem Mischungsmodell kombiniert werden. B‑Splines-basierte Trajektorienanpassungen garantieren Kontinuität an den Übergängen von beobachteten zu vorhergesagten Fahrzeugzuständen. Quantitative Bewertungsergebnisse zeigen, dass das vorgeschlagenen Konzept die Ergebnisse sowohl für die Manöver- als auch für die Trajektorienvorhersage im Vergleich zu einem zuvor implementierten Referenzansatz verbessert.