Predikce časoprostorových dějů pomocí umělých neuronových sítí

Abstract

Tato práce aplikuje metody predikce časoprostorových dějů na problém predikce pohybu účastníků provozu pro autonomní vozidla. Sekvence umělých rasterizovaných snímků z ptačího pohledu jsou použity jako vstup do neuronových sítí, které jsou natrénovány k predikování nejpravděpodobnějšího pokračování dané sekvence. Dataset Lyft Motion Prediction for Autonomous Vehicles je prozkoumán a upraven pro tento úkol. Několik typů neuronových sítí, zejména ConvLSTM, PredRNN, PhyDNet a U-Net, je prozkoumáno, natrénováno a jejich výsledky porovnány.

This thesis applies the methods of spatiotemporal prediction to the task of predicting the motion of traffic participants for autonomous vehicles. A sequence of bird’s-eye view artificial rasterized frames are used as input to neural networks which are trained to predict the most probable continuation of the sequence. The Lyft Motion Prediction for Autonomous Vehicles dataset is explored and adapted for this task. Several neural network architectures, namely ConvLSTM, PredRNN, PhyDNet, and U-Net, are researched, trained and their results compared.