論文の概要: Scalable Unsupervised Multi-Criteria Trajectory Segmentation and Driving
Preference Mining
- arxiv url: http://arxiv.org/abs/2011.03331v1
- Date: Fri, 23 Oct 2020 12:32:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 00:29:28.607735
- Title: Scalable Unsupervised Multi-Criteria Trajectory Segmentation and Driving
Preference Mining
- Title(参考訳): スケーラブルな非教師なしマルチクリトリア軌道セグメンテーションと運転嗜好マイニング
- Authors: Florian Barth and Stefan Funke and Tobias Skovgaard Jepsen and
Claudius Proissl
- Abstract要約: 本稿では,時間と空間における点列である軌跡を意味的に理解することを目的とした,大規模軌跡データセットの解析手法を提案する。
我々はデンマーク全土で収集された100万台以上の車両軌跡のデータセットを用いて、位置同定とパーソナライズドルーティングのタスクに関する技術評価を行った。
- 参考スコア(独自算出の注目度): 1.8065361710947974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present analysis techniques for large trajectory data sets that aim to
provide a semantic understanding of trajectories reaching beyond them being
point sequences in time and space. The presented techniques use a driving
preference model w.r.t. road segment traversal costs, e.g., travel time and
distance, to analyze and explain trajectories.
In particular, we present trajectory mining techniques that can (a) find
interesting points within a trajectory indicating, e.g., a via-point, and (b)
recover the driving preferences of a driver based on their chosen trajectory.
We evaluate our techniques on the tasks of via-point identification and
personalized routing using a data set of more than 1 million vehicle
trajectories collected throughout Denmark during a 3-year period. Our
techniques can be implemented efficiently and are highly parallelizable,
allowing them to scale to millions or billions of trajectories.
- Abstract(参考訳): 本研究では,時間と空間の点列に到達した軌跡を意味的に理解することを目的とした,大規模軌道データセットの解析手法を提案する。
提案手法は、走行時間や距離などの道路セグメントの走行コストを駆動選好モデルを用いて、軌道の分析と説明を行う。
特に, トラジェクトリーマイニング技術について紹介する。
(a)例えば、透視点を示す軌道内の興味深い点を見つけ、
(b)選択した軌道に基づいて運転者の運転嗜好を回復する。
デンマーク全土で3年間に収集された100万件以上の車両軌跡のデータセットを用いて,バイポイント識別とパーソナライズドルーティングのタスクに関する技術評価を行った。
我々の技術は効率的に実装でき、高度に並列化でき、数百万から数十億の軌道にスケールできる。
関連論文リスト
- Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - 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) - Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task [0.0]
ステアリングホイール角情報を利用して道路領域のセマンティックセグメンテーションを改善するCNNに基づく手法を提案する。
本稿では,自律運転のための2つの挑戦的データセットに対する提案手法の有効性を示す。
論文 参考訳(メタデータ) (2022-12-19T13:25:09Z) - Self-supervised Trajectory Representation Learning with Temporal
Regularities and Travel Semantics [30.9735101687326]
Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。
既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。
本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-17T13:14:47Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳(メタデータ) (2021-04-16T17:58:56Z) - Vehicle predictive trajectory patterns from isochronous data [0.0]
本稿では,ビデオ,ArduinoUno,コンパスセンサHDMM01からのデータ融合を用いて,グラーツ(オーストリア)における等時軌道パターンの評価とマッピングを行う。
本研究は, 軌道パターンが現在の軌道パターンの進化を予測することに成功し, 将来の走行状況を評価することができることを示した。
論文 参考訳(メタデータ) (2020-10-10T15:17:19Z) - AutoTrajectory: Label-free Trajectory Extraction and Prediction from
Videos using Dynamic Points [92.91569287889203]
軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。
動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。
ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
論文 参考訳(メタデータ) (2020-07-11T08:43:34Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳(メタデータ) (2020-06-24T04:45:14Z) - Wise Sliding Window Segmentation: A classification-aided approach for
trajectory segmentation [11.174536284571802]
ワイズスライディングウィンドウ(WS-II)と呼ばれる教師付き軌道分割アルゴリズムを提案する。
WS-IIは軌道座標を処理し、空間と時間の変化を見つけ、エラー信号を生成する。
提案手法は,異なる領域の3つの実データに対して評価する。
論文 参考訳(メタデータ) (2020-03-23T12:55:40Z) - Street-level Travel-time Estimation via Aggregated Uber Data [2.838842554577539]
都市部における道路セグメントに沿った時間的パターンの推定は,交通技術者や都市計画者にとって重要な課題である。
本研究では,大都市圏の街路レベルの走行時間を推定するために,粗粒度および集約された走行時間データを活用する手法を提案する。
論文 参考訳(メタデータ) (2020-01-13T21:14:38Z)
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。