論文の概要: Vehicle Route Prediction through Multiple Sensors Data Fusion
- arxiv url: http://arxiv.org/abs/2008.13117v1
- Date: Sun, 30 Aug 2020 08:14:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 12:37:12.560760
- Title: Vehicle Route Prediction through Multiple Sensors Data Fusion
- Title(参考訳): 複数センサデータ融合による車両走行経路予測
- Authors: Ali Nawaz, Attique Ur Rehman
- Abstract要約: フレームワークは2つのモジュールで構成される。
ディープラーニングを用いて車両ナンバーの認識を行うフレームワークの最初のモジュール。
機械学習の教師付き学習アルゴリズムを用いた第2モジュールは、車両の経路を予測する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicle route prediction is one of the significant tasks in vehicles
mobility. It is one of the means to reduce the accidents and increase comfort
in human life. The task of route prediction becomes simpler with the
development of certain machine learning and deep learning libraries. Meanwhile,
the security and privacy issues are always lying in the vehicle communication
as well as in route prediction. Therefore, we proposed a framework which will
reduce these issues in vehicle communication and predict the route of vehicles
in crossroads. Specifically, our proposed framework consists of two modules and
both are working in sequence. The first module of our framework using a deep
learning for recognizing the vehicle license plate number. Then, the second
module using supervised learning algorithm of machine learning for predicting
the route of the vehicle by using velocity difference and previous mobility
patterns as the features of machine learning algorithm. Experiment results
shows that accuracy of our framework.
- Abstract(参考訳): 車両経路予測は車両の移動性において重要な課題の1つである。
それは事故を減らし、人間の生活の快適さを高める手段の1つである。
ルート予測のタスクは、特定の機械学習とディープラーニングライブラリの開発によってより簡単になる。
一方、セキュリティとプライバシーの問題は、常に車両の通信だけでなく、ルート予測にも当てはまります。
そこで我々は,これらの課題を低減し,交差点における車両の走行経路を予測する枠組みを提案する。
具体的には,提案するフレームワークは2つのモジュールから構成される。
本フレームワークの最初のモジュールは,車両ナンバーの認識にディープラーニングを使用している。
そして、機械学習アルゴリズムの特徴として、速度差と以前の移動パターンを用いて車両の経路を予測するために、機械学習の教師付き学習アルゴリズムを用いた第2のモジュールを用いる。
実験の結果,フレームワークの精度が示された。
関連論文リスト
- End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data [6.849144123909844]
本論文は,E2E運転のための自己教師付き模倣学習(SSIL)として,最初の完全自己教師型学習フレームワークを提案する。
提案したSSILフレームワークは、コマンドデータを使用せずにE2E駆動ネットワークを学習できる。
3つの異なるベンチマークデータセットを用いた数値実験により,提案したSSILフレームワークは,教師付き学習と同等のE2E駆動精度を達成できることを示した。
論文 参考訳(メタデータ) (2023-08-28T06:17:15Z) - Inverting the Fundamental Diagram and Forecasting Boundary Conditions:
How Machine Learning Can Improve Macroscopic Models for Traffic Flow [0.0]
高速道路を走行する車両のフラックスと速度のデータを,固定センサで収集し,車線および車種別に分類したデータセットについて検討する。
1) 渋滞がセンサの下に現れる場合, 2) 今後センサの下に通過する車両の総量を推定する。
これらの情報片は、センサ間のトラフィックフローのダイナミクスを記述したLWRベースの1次1次マルチクラスモデルの精度を向上させるために使用される。
論文 参考訳(メタデータ) (2023-03-21T11:07:19Z) - 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) - Safe Real-World Autonomous Driving by Learning to Predict and Plan with
a Mixture of Experts [3.2230833657560503]
我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。
推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。
都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
論文 参考訳(メタデータ) (2022-11-03T20:16:24Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - Predicting highway lane-changing maneuvers: A benchmark analysis of
machine and ensemble learning algorithms [0.0]
異なる機械学習とアンサンブル学習の分類手法をルールベースモデルと比較する。
速度の遅い車線から速い車線まで) と折りたたみ式の2種類の車線変更操作を予測した。
もしルールベースのモデルが、特に折りたたみの場合の予測精度に制限を与えているなら、モデリングバイアスを欠いたデータベースのアルゴリズムは、大幅な予測改善を可能にします。
論文 参考訳(メタデータ) (2022-04-20T22:55:59Z) - 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) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - Vehicle trajectory prediction in top-view image sequences based on deep
learning method [1.181206257787103]
周囲の車両の動きを推定し予測することは、自動車両と高度な安全システムにとって不可欠である。
道路の空中画像から得られた画像から学習した計算複雑性の低いモデルを提案する。
提案モデルでは, 対象車両とその周辺車両の移動履歴に関する画像を見るだけで, 自動車の将来の進路を予測できる。
論文 参考訳(メタデータ) (2021-02-02T20:48:19Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳(メタデータ) (2021-01-20T00:31:52Z)
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。