論文の概要: The PREVENTION Challenge: How Good Are Humans Predicting Lane Changes?

• arxiv url: http://arxiv.org/abs/2009.05331v2
• Date: Mon, 7 Jun 2021 23:49:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 21:43:13.081894
• Title: The PREVENTION Challenge: How Good Are Humans Predicting Lane Changes?
• Title（参考訳）: 予防課題:車線変更を予測する人間はどれくらい良いのか?
• Authors: A. Quintanar, R. Izquierdo, I. Parra, D. Fern\'andez-Llorca, and M. A. Sotelo
• Abstract要約: 本稿では,高速道路のシナリオにおける車線変化を予測する能力について分析する。 ユーザーは車線変更操作が行われていると考えた瞬間を示す必要がありました。 得られた結果は慎重に分析され、地上の真理ラベルと比較された。
• 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: While driving on highways, every driver tries to be aware of the behavior of surrounding vehicles, including possible emergency braking, evasive maneuvers trying to avoid obstacles, unexpected lane changes, or other emergencies that could lead to an accident. In this paper, human's ability to predict lane changes in highway scenarios is analyzed through the use of video sequences extracted from the PREVENTION dataset, a database focused on the development of research on vehicle intention and trajectory prediction. Thus, users had to indicate the moment at which they considered that a lane change maneuver was taking place in a target vehicle, subsequently indicating its direction: left or right. The results retrieved have been carefully analyzed and compared to ground truth labels, evaluating statistical models to understand whether humans can actually predict. The study has revealed that most participants are unable to anticipate lane-change maneuvers, detecting them after they have started. These results might serve as a baseline for AI's prediction ability evaluation, grading if those systems can outperform human skills by analyzing hidden cues that seem unnoticed, improving the detection time, and even anticipating maneuvers in some cases.
• Abstract（参考訳）: 高速道路で運転している間、すべてのドライバーは、緊急ブレーキ、障害物回避のための回避策、予期せぬ車線変更、事故につながる可能性のある他の緊急事態など、周囲の車両の挙動を認識しようとする。 本稿では,道路シナリオにおける車線変化を予測するための人間の能力について,車両の意図と軌道予測に関する研究に焦点をあてたデータベースである予防データセットから抽出したビデオシーケンスを用いて解析する。 したがって、ユーザーは目標の車両で車線変更操作が行われていると考える瞬間を示し、その後、その方向を示す必要がある:左か右。 得られた結果は慎重に分析され、地上の真実ラベルと比較され、人間が実際に予測できるかどうかの統計モデルを評価する。 研究によると、ほとんどの参加者は車線変更の操作を予想できず、開始後に検出している。 これらの結果はAIの予測能力評価のベースラインとして機能し、認識されていないように見える隠された手がかりを分析し、検出時間を改善し、場合によっては操作を予測することによって、人間のスキルを向上できるかどうかを判断する。

関連論文リスト

• RAG-based Explainable Prediction of Road Users Behaviors for Automated Driving using Knowledge Graphs and Large Language Models [8.253092044813595]
  本稿では,知識グラフと大規模言語モデルの推論能力を統合した,道路利用者の行動予測システムを提案する。 1)歩行者の横断行動の予測,2)車線変更操作の予測。
  論文  参考訳（メタデータ） (2024-05-01T11:06:31Z)
• Manipulating Trajectory Prediction with Backdoors [94.22382859996453]
  軌道予測に影響を及ぼす可能性のある4つのトリガを記述し,検討した。 モデルの性能は良好だが、バックドアには弱い。 バックドアに対する防御範囲を評価する。
  論文  参考訳（メタデータ） (2023-12-21T14:01:51Z)
• Adaptive Human Trajectory Prediction via Latent Corridors [49.13061580045407]
  シーン固有の適応軌道予測の問題を定式化する。 本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。 0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
  論文  参考訳（メタデータ） (2023-12-11T18:59:12Z)
• 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)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• 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)
• The Atlas of Lane Changes: Investigating Location-dependent Lane Change Behaviors Using Measurement Data from a Customer Fleet [4.055489363682199]
  我々は、位置特異的なa-プリオリレーン変化確率を計算することによって、この共通プラクティスを拡大する第一歩を踏み出す。 人間の運転行動は、それぞれの場所によって全く同じ交通状況で変化する可能性がある。 信頼できる車線変更確率を導出するためには、広い顧客層が成功の鍵となる。
  論文  参考訳（メタデータ） (2021-06-23T07:29:19Z)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• Video action recognition for lane-change classification and prediction of surrounding vehicles [12.127050913280925]
  レーン変更認識と予測タスクは、ビデオアクション認識問題として提示される。 コンテキストと観測地平線がパフォーマンスに与える影響を調査し、異なる予測地平線を分析します。 その結果,これらの手法が将来の車両の車線変化を予測できる可能性を明らかにした。
  論文  参考訳（メタデータ） (2021-01-13T13:25:00Z)
• Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features [1.1888947789336193]
  システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。 人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。 複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:52:49Z)

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。