論文の概要: Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron

• arxiv url: http://arxiv.org/abs/2006.12769v1
• Date: Tue, 23 Jun 2020 05:32:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 21:35:10.825662
• Title: Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron
• Title（参考訳）: 多層パーセプトロンによる車線変更操作の長期予測
• Authors: Zhenyu Shou and Ziran Wang and Kyungtae Han and Yongkang Liu and Prashant Tiwari and Xuan Di
• Abstract要約: 横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。 ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。 評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
• 参考スコア（独自算出の注目度）: 5.267336573374459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behavior prediction plays an essential role in both autonomous driving systems and Advanced Driver Assistance Systems (ADAS), since it enhances vehicle's awareness of the imminent hazards in the surrounding environment. Many existing lane change prediction models take as input lateral or angle information and make short-term (< 5 seconds) maneuver predictions. In this study, we propose a longer-term (5~10 seconds) prediction model without any lateral or angle information. Three prediction models are introduced, including a logistic regression model, a multilayer perceptron (MLP) model, and a recurrent neural network (RNN) model, and their performances are compared by using the real-world NGSIM dataset. To properly label the trajectory data, this study proposes a new time-window labeling scheme by adding a time gap between positive and negative samples. Two approaches are also proposed to address the unstable prediction issue, where the aggressive approach propagates each positive prediction for certain seconds, while the conservative approach adopts a roll-window average to smooth the prediction. Evaluation results show that the developed prediction model is able to capture 75% of real lane change maneuvers with an average advanced prediction time of 8.05 seconds.
• Abstract（参考訳）: 行動予測は、周囲の環境における差し迫った危険に対する車両の認識を高めるため、自律運転システムと先進運転支援システム(ADAS)の両方において重要な役割を果たす。 既存の車線変更予測モデルは、入力側方または角度情報として、短期的(<5秒)操作予測を行う。 本研究では,側方情報や角度情報のない長期予測モデル(5～10秒)を提案する。 ロジスティック回帰モデル、多層パーセプトロン(mlp)モデル、リカレントニューラルネットワーク(rnn)モデルを含む3つの予測モデルを導入し、実世界のngsimデータセットを用いてそれらの性能を比較する。 軌道データに適切なラベルを付けるために,正のサンプルと負のサンプルの時間ギャップを付加した新しいタイムワインドウラベル方式を提案する。 不安定な予測問題にも対処する2つのアプローチが提案され、攻撃的アプローチは各正の予測を一定秒間伝播する一方、保守的手法はロールウインドウ平均を採用して予測を円滑にする。 評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。

関連論文リスト

• Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。 予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Adaptive Modeling of Uncertainties for Traffic Forecasting [33.81668910587541]
  QuanTrafficは、不確実性モデリングのための任意のDNNモデルの能力を高めるための一般的なフレームワークである。 DNNモデルトレーニング中に標準量子関数を自動的に学習し、単一点予測の予測間隔を生成する。 テスト入力の位置と予測ウィンドウに基づいて予測間隔を動的に調整する。
  論文  参考訳（メタデータ） (2023-03-16T12:56:13Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model [4.903969235471705]
  深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。 本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
  論文  参考訳（メタデータ） (2021-10-09T06:26:42Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards Generic Autonomous Vehicle Use Cases [10.41902340952981]
  本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。 提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
  論文  参考訳（メタデータ） (2020-11-23T03:13:26Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。