arXiv cs.AI· Shuo Zhang, Aman Sunesh, Semiha Ergan, Kaan Ozbay·· 6 天前AI 评分20
基于人在回路驾驶数据的道路施工区自动驾驶轨迹预测
Trajectory Prediction for Autonomous Driving in Road Construction Zones Using Human-in-the-Loop Driving Data
AI 导读
研究团队构建了 WZDrive-Data 多模态数据集，包含 33 名驾驶员在施工区段的 1,183 段驾驶记录，通过人在回路驾驶模拟器采集驾驶员控制与注视信号。其提出的多模态轨迹预测器 WZDrive 实现 minADE (K=6) 1.09 m、minFDE (K=6) 2.12 m，相比各指标最优基线分别降低 7.18% 和 13.18%。
正文 · AI 翻译
摘要：城市道路施工区中的自车轨迹预测在自动驾驶研究中仍是一个探索不足的课题，缺乏专门的数据和系统性评估。道路施工区涉及车道布局和道路连通性的临时变化，使与周围车辆和工人的交互变得复杂。这些变化使未来车辆轨迹难以预测。为应对这些挑战，我们收集了 WZDrive-Data，这是一个多模态数据集，包含来自 33 名驾驶员的 1,183 个施工区驾驶片段，使用带有预录工人动画和 VR 控制工人的人在环驾驶模拟器采集。驾驶员控制和注视信号从人类参与者处记录，而车辆轨迹和场景信息则从模拟器获取。我们提出的多模态自车轨迹预测器 WZDrive 实现了 1.09 m 的平均 minADE（K=6）和 2.12 m 的 minFDE（K=6）。与我们的基准中各项指标表现最佳的最先进基线相比，WZDrive 将 minADE（K=6）降低了 7.18%，将 minFDE（K=6）降低了 13.18%。本研究通过将人在环数据采集与来自人类驾驶信号的多模态学习相结合，并置于施工区情境中，填补了自动驾驶研究中关于城市施工区的空白。
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.12747 [cs.RO] |
| （或 arXiv:2610.12747v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12747 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Shuo Zhang [查看邮箱]
[v1]
2026年10月8日星期四 21:48:35 UTC（1,054 KB）
来源：arXiv cs.AI · arxiv.org