Predição de Trajetória de Múltiplos Agentes baseada em Interação e Intenções de Comportamento para Veículos Autônomos em Ambientes Urbanos

Autor(es)

Iago Pacheco Gomes

• Tipo de documento: Tese de Doutorado
• Imprenta: São Carlos.
• Instituição: Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB)
• Data de defesa: 2024-08-16

Membros da banca

Denis Fernando Wolf; Paulo Lilles Jorge Drews Junior; Claudine Santos Badue Gonçalves; Douglas Guimaraes Macharet

• Orientador: Denis Fernando Wolf

Resumo

Os veículos autônomos têm o potencial de transformar o transporte urbano, aumentando a eficiência, acessibilidade e segurança, enquanto reduzem o impacto ambiental. Esses veículos utilizam vários componentes para entender o ambiente externo, avaliar seu próprio estado e interagir com outros participantes do tráfego. Para navegar com segurança, eles empregam algoritmos para detectar, classificar e evitar obstáculos. No entanto, apenas detectar a posição de um obstáculo é insuficiente para garantir a segurança no trânsito. Portanto, a predição de intenção de comportamento e de trajetória desses agentes são essenciais. Essas capacidades permitem que os algoritmos de tomada de decisão e de planejamento de rota antecipem situações perigosas ao considerar cenários prováveis. A área de predição de trajetória abrange abordagens que consideram os movimento dos agentes, suas intenções de manobra e suas interações. Modelar essas interações é particularmente desafiador devido à complexidade dos fatores que influenciam as ações de cada agente, como fatores psicológicos, experiência de condução, regras de trânsito, considerações de segurança e as ações dos motoristas ao redor. Esta tese investiga e propõe uma nova abordagem de Predição Multi-Agente de Trajetória (MAIATP), que é composta de cinco componentes: Modelagem da Geometria da Ruas, que usa imagens de visão aérea para representar características globais e locais; Reconhecimento de Estilo de Direção, que classifica os motoristas como calmos, moderados ou agressivos usando um Sistema de Inferência Fuzzy Intervalar Tipo-2 com Tomada de Decisão por Múltiplos Especialistas Fuzzy; Modelagem de Interação, que emprega uma nova rede neural para grafos, chamada de Graph Mixture of Experts Attention Network (GMEAN), que usa estimativas de comportamento prévias para ponderar os escores de atenção; Previsão de Intenção de Comportamento, que estima os comportamentos laterais e longitudinais de veículos e pedestres, considerando suas interações; e, finalmente, o módulo de Predição de Trajetória, que usa um Autoencoder Variacional Condicional (CVAE) para modelar explicitamente as variáveis condicionais inerentes ao comportamento dos agentes em cenários de tráfego. A exploração teórica e a validação experimental desses componentes destacam a importância da interação para a predição de intenção de comportamento e de trajetória. Os resultados também demonstram as vantagens de modelar explicitamente as variáveis condicionais. Por fim, a tese também abordada os desafios da predição multimodal, incluindo a natureza desbalanceada dos conjuntos de dados e a complexidade de desenvolver um modelo de predição de trajetória multi-agente para cenários de tráfego heterogêneos. (AU)

• Processo FAPESP: 19/27301-7 - Predição de trajetória e comportamento para veículos autônomos em tráfego urbano
• Beneficiário: Iago Pachêco Gomes
• Modalidade de apoio: Bolsas no Brasil - Doutorado