論文の概要: Learning Probabilistic Intersection Traffic Models for Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2002.01965v1
• Date: Wed, 5 Feb 2020 19:22:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:56:06.578353
• Title: Learning Probabilistic Intersection Traffic Models for Trajectory Prediction
• Title（参考訳）: 軌道予測のための確率的区間交通モデル学習
• Authors: Andrew Patterson, Aditya Gahlawat, Naira Hovakimyan
• Abstract要約: この研究は、交差点における車両の挙動を定量化するために使用されるガウス過程に基づく確率的交通モデルを示す。 この方法は時系列位置軌跡のセットで示される。 モデルの適用性を示すために、テスト軌跡は部分的な観察のみで分類される。
• 参考スコア（独自算出の注目度）: 8.536503379429032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous agents must be able to safely interact with other vehicles to integrate into urban environments. The safety of these agents is dependent on their ability to predict collisions with other vehicles' future trajectories for replanning and collision avoidance. The information needed to predict collisions can be learned from previously observed vehicle trajectories in a specific environment, generating a traffic model. The learned traffic model can then be incorporated as prior knowledge into any trajectory estimation method being used in this environment. This work presents a Gaussian process based probabilistic traffic model that is used to quantify vehicle behaviors in an intersection. The Gaussian process model provides estimates for the average vehicle trajectory, while also capturing the variance between the different paths a vehicle may take in the intersection. The method is demonstrated on a set of time-series position trajectories. These trajectories are reconstructed by removing object recognition errors and missed frames that may occur due to data source processing. To create the intersection traffic model, the reconstructed trajectories are clustered based on their source and destination lanes. For each cluster, a Gaussian process model is created to capture the average behavior and the variance of the cluster. To show the applicability of the Gaussian model, the test trajectories are classified with only partial observations. Performance is quantified by the number of observations required to correctly classify the vehicle trajectory. Both the intersection traffic modeling computations and the classification procedure are timed. These times are presented as results and demonstrate that the model can be constructed in a reasonable amount of time and the classification procedure can be used for online applications.
• Abstract（参考訳）: 自律エージェントは、他の車両と安全に相互作用し、都市環境に組み込むことができる必要がある。 これらのエージェントの安全性は、再計画と衝突回避のために他の車両の将来の軌道と衝突を予測する能力に依存する。 衝突を予測するために必要な情報は、特定の環境で以前に観測された車両軌跡から学習でき、交通モデルを生成する。 学習したトラフィックモデルは、この環境で使われている任意の軌道推定方法に事前知識として組み込むことができる。 本研究は,交差点における車両挙動の定量化に使用されるガウス過程に基づく確率的交通モデルを提案する。 ガウス過程モデル(英語版)は平均的な車両軌道の見積もりを提供し、また交点における車両の異なる経路間のばらつきを捉えている。 この方法は時系列位置軌跡のセットで示される。 これらの軌道は、データソース処理によって生じる可能性のあるオブジェクト認識エラーとミスフレームを取り除いて再構成される。 交差点交通モデルを作成するために、再構成された軌道は、そのソースと目的地レーンに基づいてクラスタ化される。 各クラスタに対して、クラスタの平均的な振る舞いと分散をキャプチャするために、ガウスのプロセスモデルが作成されます。 ガウスモデルの適用性を示すために、テスト軌道は部分的観測のみで分類される。 性能は、車両軌道を正しく分類するために必要な観測回数によって定量化される。 交差トラヒックモデリング計算と分類手順の両方が時間化される。 これらの時間は結果として示され、適切な時間でモデルを構築することができ、分類手順をオンラインアプリケーションに利用できることを示す。

関連論文リスト

• Fast maneuver recovery from aerial observation: trajectory clustering and outliers rejection [43.06493292670652]
  2種類のVulnerable Road Users (VRU) が提案される軌道クラスタリング手法によって検討される。 2つの環境がメソッド開発のテストとして機能し、3つの異なる交差点と1つのラウンドアバウトとなる。
  論文  参考訳（メタデータ） (2024-07-03T07:22:21Z)
• Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
  混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。 このモデルでは、多様な軌道パターンを生成する能力が向上している。 また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [52.25258289718559]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。 任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
  本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。 我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
  論文  参考訳（メタデータ） (2023-01-12T13:10:47Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• Estimating Link Flows in Road Networks with Synthetic Trajectory Data Generation: Reinforcement Learning-based Approaches [7.369475193451259]
  本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。 本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。 発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-06-26T13:14:52Z)
• Open-set Intersection Intention Prediction for Autonomous Driving [9.494867137826397]
  交点における意図の予測をオープンセット予測問題として定式化する。 空間時間グラフ表現の下での交差構造に対応する地図中心の特徴を捉える。 2つのmaam (mutually auxiliary attention module) を用いて,マップ中心の特徴空間における交叉要素に最もよくマッチする目標を予測する。
  論文  参考訳（メタデータ） (2021-02-27T06:38:26Z)
• TrajGAIL: Generating Urban Vehicle Trajectories using Generative Adversarial Imitation Learning [9.01310450044549]
  本研究は,都市自動車軌跡データの基礎的分布を学習するための生成的モデリング手法を提案する。 都市部における車両軌跡生成モデルは,トレーニングデータの基盤となる分布を学習することにより,トレーニングデータからより一般化することができる。 TrajGAILは、都市自動車軌道生成のための生成的対向的模倣学習フレームワークである。
  論文  参考訳（メタデータ） (2020-07-28T13:17:51Z)
• Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
  交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。 本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。 我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
  論文  参考訳（メタデータ） (2020-07-06T12:31:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。