ترجمه فارسی مقاله MSMA: پیش‌بینی مسیر چندعاملی در محیط خودروهای متصل و خودران با ادغام داده‌های چندمنبعی

چکیده

The prediction of surrounding vehicle trajectories is crucial for collision-free path planning. In this study, we focus on a scenario where a connected and autonomous vehicle (CAV) serves as the central agent, utilizing both sensors and communication technologies to perceive its surrounding traffics consisting of autonomous vehicles (AVs), connected vehicles (CVs), and human-driven vehicles (HDVs). Our trajectory prediction task is aimed at all the detected surrounding vehicles. To effectively integrate the multi-source data from both sensor and communication technologies, we propose a deep learning framework called MSMA utilizing a cross-attention module for multi-source data fusion. Vector map data is utilized to provide contextual information. The trajectory dataset is collected in CARLA simulator with synthesized data errors introduced. Numerical experiments demonstrate that in a mixed traffic flow scenario, the integration of data from different sources enhances our understanding of the environment. This notably improves trajectory prediction accuracy, particularly in situations with a high CV market penetration rate. The code is available at: https://github.com/xichennn/MSMA.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی مسیرهای وسایل نقلیه اطراف برای برنامه ریزی مسیر بدون برخورد بسیار مهم است.در این مطالعه ، ما بر روی سناریویی تمرکز می کنیم که یک وسیله نقلیه متصل و خودمختار (CAV) به عنوان عامل اصلی فعالیت می کند ، و از سنسورها و فن آوری های ارتباطی استفاده می کند تا قاچاق های اطراف آن را متشکل از وسایل نقلیه خودمختار (AV) ، وسایل نقلیه متصل (CV) و و استفاده کند.وسایل نقلیه انسانی محور (HDV).وظیفه پیش بینی مسیر ما در تمام وسایل نقلیه اطراف شناسایی شده انجام شده است.برای ادغام مؤثر داده های چند منبع از هر دو فن آوری سنسور و ارتباطی ، ما یک چارچوب یادگیری عمیق به نام MSMA را با استفاده از یک ماژول توجه متقابل برای همجوشی داده های چند منبع پیشنهاد می کنیم.از داده های نقشه بردار برای ارائه اطلاعات متنی استفاده می شود.مجموعه داده مسیر در شبیه ساز کارلا با خطاهای داده سنتز شده معرفی شده است.آزمایش های عددی نشان می دهد که در یک سناریوی جریان ترافیک مختلط ، ادغام داده ها از منابع مختلف درک ما از محیط را تقویت می کند.این امر به ویژه دقت پیش بینی مسیر را بهبود می بخشد ، به ویژه در شرایطی که میزان نفوذ بالای بازار CV را دارد.کد در: https://github.com/xichennn/msma در دسترس است.