論文の概要: A Lane-Changing Prediction Method Based on Temporal Convolution Network

• arxiv url: http://arxiv.org/abs/2011.01224v1
• Date: Sun, 1 Nov 2020 07:33:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 00:02:24.830089
• Title: A Lane-Changing Prediction Method Based on Temporal Convolution Network
• Title（参考訳）: 時間的畳み込みネットワークに基づくレーン切替予測法
• Authors: Yue Zhang, Yajie Zou, Jinjun Tang, Jian Liang
• Abstract要約: 車線変更は重要な運転行動であり、不合理な車線変更は潜在的に危険な交通衝突を引き起こす可能性がある。 本研究では, 経時的畳み込みネットワーク(TCN)を提案する。
• 参考スコア（独自算出の注目度）: 36.84793673877468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane-changing is an important driving behavior and unreasonable lane changes can result in potentially dangerous traffic collisions. Advanced Driver Assistance System (ADAS) can assist drivers to change lanes safely and efficiently. To capture the stochastic time series of lane-changing behavior, this study proposes a temporal convolutional network (TCN) to predict the long-term lane-changing trajectory and behavior. In addition, the convolutional neural network (CNN) and recurrent neural network (RNN) methods are considered as the benchmark models to demonstrate the learning ability of the TCN. The lane-changing dataset was collected by the driving simulator. The prediction performance of TCN is demonstrated from three aspects: different input variables, different input dimensions and different driving scenarios. Prediction results show that the TCN can accurately predict the long-term lane-changing trajectory and driving behavior with shorter computational time compared with two benchmark models. The TCN can provide accurate lane-changing prediction, which is one key information for the development of accurate ADAS.
• Abstract（参考訳）: 車線変更は重要な運転行動であり、不当な車線変更は潜在的に危険な交通衝突を引き起こす可能性がある。 Advanced Driver Assistance System (ADAS) は、ドライバーが車線を安全かつ効率的に変更するのを支援できる。 本研究は,車線変化行動の確率的時系列を捉えるために,長期車線変化軌道と挙動を予測するための時間的畳み込みネットワーク(TCN)を提案する。 さらに、TNの学習能力を示すベンチマークモデルとして、畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)の手法が検討されている。 レーン変更データセットは運転シミュレータによって収集された。 TCNの予測性能は、異なる入力変数、異なる入力次元、異なる駆動シナリオの3つの側面から示される。 予測結果から,ttcnは2つのベンチマークモデルと比較して,計算時間を短縮した長期車線変更軌跡と運転挙動を正確に予測できることがわかった。 TCNは正確な車線変更予測を提供することができ、これは正確なADASを開発するための重要な情報である。

関連論文リスト

• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
  非客観的運転経験はモデル化が難しい。 本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。 インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention [5.23886447414886]
  本研究では,道路セグメントレベルにおいて,人気のあるモビリティシミュレータSUMOが生成する交通流データにグラフモデリングを適用した。 提案手法を用いて,車線変更検出の性能評価を行った。 実験の結果,提案したレーン-GNNは運転者の車線変更意図を90秒以内に99.42%の精度で検出できることがわかった。
  論文  参考訳（メタデータ） (2022-07-02T12:53:56Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• 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)
• Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification [8.007800530105191]
  運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。 CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。 次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
  論文  参考訳（メタデータ） (2021-02-11T04:33:43Z)
• Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks [0.5399800035598186]
  本稿では,高速道路における周辺車両の車線変更時期を正確に予測するシステムの開発について述べる。 大規模な実世界のデータセットに基づく評価は、最も困難な状況であっても、我々のアプローチが信頼できる予測を行うことができることを示している。
  論文  参考訳（メタデータ） (2021-02-02T11:04:22Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting [1.7009370112134283]
  Diffusion Convolutional Recurrent Neural Network (DCRNN)は、ハイウェイネットワーク予測のための最先端のグラフニューラルネットワークである。 高速ネットワークのデータ豊富な領域で訓練された1つのモデルを用いて、高速道路ネットワークの見えない領域のトラフィックを予測するDCRNNの新しいトランスファー学習手法を開発した。 TL-DCRNNはカリフォルニアのハイウェイネットワークのいくつかの領域から学習でき、ネットワークの見えない領域のトラフィックを高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2020-04-17T02:29:42Z)

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。