論文の概要: The Role of Machine Learning for Trajectory Prediction in Cooperative Driving

• arxiv url: http://arxiv.org/abs/2010.11743v1
• Date: Wed, 21 Oct 2020 09:25:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 01:03:16.713287
• Title: The Role of Machine Learning for Trajectory Prediction in Cooperative Driving
• Title（参考訳）: 協調運転における軌道予測における機械学習の役割
• Authors: Luis Sequeira and Toktam Mahmoodi
• Abstract要約: 協調運転において機械学習が果たす役割について検討する。 本稿では,異なる機械学習技術を用いた軌道の正確な時間的予測について検討する。
• 参考スコア（独自算出の注目度）: 1.6447597767676654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the role that machine learning can play in cooperative driving. Given the increasing rate of connectivity in modern vehicles, and road infrastructure, cooperative driving is a promising first step in automated driving. The example scenario we explored in this paper, is coordinated lane merge, with data collection, test and evaluation all conducted in an automotive test track. The assumption is that vehicles are a mix of those equipped with communication units on board, i.e. connected vehicles, and those that are not connected. However, roadside cameras are connected and can capture all vehicles including those without connectivity. We develop a Traffic Orchestrator that suggests trajectories based on these two sources of information, i.e. connected vehicles, and connected roadside cameras. Recommended trajectories are built, which are then communicated back to the connected vehicles. We explore the use of different machine learning techniques in accurately and timely prediction of trajectories.
• Abstract（参考訳）: 本稿では,協調運転において機械学習が果たす役割について考察する。 現代の自動車や道路インフラにおけるコネクティビティの増加を考えると、協調運転は自動運転における有望な第一歩である。 本稿では,自動車テストトラックで実施したデータ収集,テスト,評価を併用して,路面マージをコーディネートした例を示す。 想定では、車両は通信ユニットを備えたもの、すなわち接続された車両と接続されていないものの組み合わせである。 しかし、路面カメラは接続され、接続なくとも全ての車両を捉えることができる。 我々は、これらの2つの情報、すなわち連結車両と連結路面カメラに基づいて軌道を提案する交通オーケストラを開発した。 推奨軌道が構築され、接続された車両に通信される。 我々は、軌跡の正確かつタイムリーな予測における異なる機械学習技術の利用について検討する。

関連論文リスト

• Learning Driver Models for Automated Vehicles via Knowledge Sharing and Personalization [2.07180164747172]
  本稿では,自動車間の知識共有とパーソナライゼーションを通じて,自動走行車(AV)ドライバモデルを学習するためのフレームワークについて述べる。 インテリジェントな輸送システム、交通管理、車両間通信など、輸送工学にまたがるいくつかの応用を見出している。
  論文  参考訳（メタデータ） (2023-08-31T17:18:15Z)
• 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)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset [103.35624417260541]
  分散車両調整は、未整備の道路環境において有用である。 我々はバークレーのDeepDrive Droneデータセットを収集し、近くのドライバーが観察する暗黙の「社会的エチケット」を研究する。 このデータセットは、人間のドライバーが採用する分散マルチエージェント計画と、リモートセンシング設定におけるコンピュータビジョンの研究に主に関心がある。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• 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)
• Human-Vehicle Cooperative Visual Perception for Shared Autonomous Driving [9.537146822132904]
  本稿では、共有自動運転の視覚知覚能力を高めるために、人車協調視覚認識法を提案する。 移動学習に基づいて、物体検出のmAPは75.52%に達し、視覚融合の基礎となる。 本研究は、実世界の複雑な交通紛争シナリオにおける共有自動運転と実験のための協調的視覚知覚ソリューションの先駆者である。
  論文  参考訳（メタデータ） (2021-12-17T03:17:05Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• 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)
• Deep Reinforcement Learning in Lane Merge Coordination for Connected Vehicles [1.2387676601792896]
  このフレームワークは、Traffic OrchestratorとData Fusionをベースとしている。 深い強化学習とデータ分析は、連結車両の軌道推奨を予測するために使用される。 この結果は、Dueling Deep Q-Networkを目に見えない現実世界のマージシナリオで使用する場合、Traffic Orchestratorの適応性を強調します。
  論文  参考訳（メタデータ） (2020-10-20T19:01:51Z)
• A Lane Merge Coordination Model for a V2X Scenario [1.2387676601792896]
  本稿では,集中型システムに基づく車線マージコーディネーションのコネクテッドカーへの応用について述べる。 アプリケーションは、トラフィックオーケストレータをメインコンポーネントとして構成する。 車両が車線マージの協調操作を成功させるかどうかを予測するため,機械学習とデータ解析を適用した。
  論文  参考訳（メタデータ） (2020-10-20T16:36:06Z)

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。