Fugu-MT 論文翻訳(概要): Comparison of Different Methods for Time Sequence Prediction in Autonomous Vehicles

論文の概要: Comparison of Different Methods for Time Sequence Prediction in Autonomous Vehicles

arxiv url: http://arxiv.org/abs/2007.10786v1
Date: Thu, 16 Jul 2020 14:32:46 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 22:40:18.338850
Title: Comparison of Different Methods for Time Sequence Prediction in Autonomous Vehicles
Title（参考訳）: 自律走行車における時系列予測の異なる方法の比較
Authors: Teng Liu, Bin Tian, Yunfeng Ai, Long Chen, Fei Liu, Dongpu Cao
Abstract要約: 本稿では,自動運転車の時系列を予測するための異なる手法を提案する。提案手法の性能,メリット,欠点を分析し,考察した。
参考スコア（独自算出の注目度）: 12.027397263268908
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As a combination of various kinds of technologies, autonomous vehicles could complete a series of driving tasks by itself, such as perception, decision-making, planning, and control. Since there is no human driver to handle the emergency situation, future transportation information is significant for automated vehicles. This paper proposes different methods to forecast the time series for autonomous vehicles, which are the nearest neighborhood (NN), fuzzy coding (FC), and long short term memory (LSTM). First, the formulation and operational process for these three approaches are introduced. Then, the vehicle velocity is regarded as a case study and the real-world dataset is utilized to predict future information via these techniques. Finally, the performance, merits, and drawbacks of the presented methods are analyzed and discussed.
Abstract（参考訳）: さまざまな技術を組み合わせることで、自動運転車は認識、意思決定、計画、制御といった一連の運転タスクをそれ自体で完了させることができる。緊急時には人間ドライバーがいないため、将来の交通情報は自動走行車にとって重要である。本稿では,最も近い地域(NN),ファジィ符号化(FC),長期記憶(LSTM)など,自動運転車の時系列を予測するための異なる手法を提案する。まず,これら3つのアプローチの定式化と運用プロセスについて紹介する。次に、車両の速度をケーススタディとみなし、実世界のデータセットを用いてこれらの手法を用いて将来の情報を予測する。最後に,提案手法の性能,メリット,欠点を分析し,考察した。

関連論文リスト

Learning Pedestrian Actions to Ensure Safe Autonomous Driving [12.440017892152417]
自動運転車は、歩行者の短期的かつ即時的な行動をリアルタイムで予測する能力を持つことが重要である。本研究では,歩行者行動と軌跡予測のために,トランスフォーマーエンコーダデコーダ (TF-ed) アーキテクチャを用いた新しいマルチタスクシーケンスを提案する。提案手法は,既存のLSTMエンコーダデコーダ (LSTM-ed) アーキテクチャを用いて動作と軌道予測を行う。
論文参考訳（メタデータ） (2023-05-22T14:03:38Z)
Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on Highways Using Transformer Networks [5.571793666361683]
本稿では,複数の動作モードとその可能性を予測するための,新しいマルチモーダル予測フレームワークを提案する。提案フレームワークは,マルチモーダルな操作および軌道予測のための調整されたトレーニング手法と,新しいトランスフォーマーに基づく予測モデルを含む。その結果,我々のフレームワークは予測誤差の観点から,最先端のマルチモーダル手法よりも優れていた。
論文参考訳（メタデータ） (2023-03-28T16:25:16Z)
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)
Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文参考訳（メタデータ） (2023-01-06T15:13:23Z)
Early Lane Change Prediction for Automated Driving Systems Using Multi-Task Attention-based Convolutional Neural Networks [8.60064151720158]
レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。自動走行システムの安全で快適な運転には確実な予測が不可欠だ本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
論文参考訳（メタデータ） (2021-09-22T13:59:27Z)
Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文参考訳（メタデータ） (2021-09-03T13:33:33Z)
LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
論文参考訳（メタデータ） (2021-01-16T23:19:22Z)
Deep Learning with Attention Mechanism for Predicting Driver Intention at Intersection [2.1699196439348265]
提案手法は、高度運転支援システム(ADAS)および自動運転車のアクティブ安全システムの一部として適用されることを約束している。提案手法の性能評価を行い,本手法が他の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-06-10T16:12:00Z)
The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。本稿では,構造的事前を損失関数として組み込むことを提案する。実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2020-06-04T03:56:11Z)
An Effective Dynamic Spatio-temporal Framework with Multi-Source Information for Traffic Prediction [0.22940141855172028]
提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
論文参考訳（メタデータ） (2020-05-08T14:23:52Z)
PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。