Anticipating future situations from streaming sensor data is a key perception challenge for mobile robotics and automated vehicles. We address the problem of predicting the path of objects with multiple dynamic modes. The dynamics of such targets can be described by a Switching Linear Dynamical System (SLDS). However, predictions from this probabilistic model cannot anticipate when a change in dynamic mode will occur. We propose to extract various types of cues with computer vision to provide context on the target’s behavior, and incorporate these in a Dynamic Bayesian Network (DBN). The DBN extends the SLDS by conditioning the mode transition probabilities on additional context states. We describe efficient online inference in this DBN for probabilistic path prediction, accounting for uncertainty in both measurements and target behavior. Our approach is illustrated on two scenarios in the Intelligent Vehicles domain concerning pedestrians and cyclists, so-called Vulnerable Road Users (VRUs). Here, context cues include the static environment of the VRU, its dynamic environment, and its observed actions. Experiments using stereo vision data from a moving vehicle demonstrate that the proposed approach results in more accurate path prediction than SLDS at the relevant short time horizon (1 s). It slightly outperforms a computationally more demanding state-of-the-art method.

中文翻译：

---

具有切换动力学的目标的基于上下文的路径预测

从流传感器数据中预测未来情况是移动机器人和自动驾驶汽车的关键感知挑战。我们解决了使用多种动态模式预测对象路径的问题。此类目标的动力学可以通过切换线性动力学系统 (SLDS) 来描述。然而，来自该概率模型的预测无法预测动态模式何时会发生变化。我们建议使用计算机视觉提取各种类型的线索，以提供有关目标行为的上下文，并将这些线索合并到动态贝叶斯网络 (DBN) 中。DBN 通过调节附加上下文状态的模式转换概率来扩展 SLDS。我们在此 DBN 中描述了用于概率路径预测的高效在线推理，考虑了测量和目标行为的不确定性。我们的方法在智能车辆领域的两个场景中进行了说明，这些场景涉及行人和骑自行车的人，即所谓的弱势道路使用者 (VRU)。在这里，上下文线索包括 VRU 的静态环境、动态环境和观察到的动作。使用来自移动车辆的立体视觉数据的实验表明，在相关的短时间范围（1 秒）内，所提出的方法比 SLDS 产生更准确的路径预测。它略微优于计算要求更高的最先进方法。使用来自移动车辆的立体视觉数据的实验表明，在相关的短时间范围（1 秒）内，所提出的方法比 SLDS 产生更准确的路径预测。它略微优于计算要求更高的最先进方法。使用来自移动车辆的立体视觉数据的实验表明，在相关的短时间范围（1 秒）内，所提出的方法比 SLDS 产生更准确的路径预测。它略微优于计算要求更高的最先进方法。