論文の概要: A Physics-Informed Deep Learning Paradigm for Car-Following Models
- arxiv url: http://arxiv.org/abs/2012.13376v2
- Date: Fri, 25 Dec 2020 22:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 11:28:02.314430
- Title: A Physics-Informed Deep Learning Paradigm for Car-Following Models
- Title(参考訳): 自動車追従モデルのための物理インフォームドディープラーニングパラダイム
- Authors: Zhaobin Mo, Xuan Di, Rongye Shi
- Abstract要約: 物理モデルによるニューラルネットワークに基づくカーフォローモデルの開発を行っています。
2種類のPIDL-CFM問題について検討し,その1つは加速のみを予測し,もう1つは加速のみを予測し,モデルパラメータを発見する。
その結果,無力者よりも物理によって学習されるニューラルネットの性能が向上した。
- 参考スコア(独自算出の注目度): 3.093890460224435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Car-following behavior has been extensively studied using physics-based
models, such as the Intelligent Driver Model. These models successfully
interpret traffic phenomena observed in the real-world but may not fully
capture the complex cognitive process of driving. Deep learning models, on the
other hand, have demonstrated their power in capturing observed traffic
phenomena but require a large amount of driving data to train. This paper aims
to develop a family of neural network based car-following models that are
informed by physics-based models, which leverage the advantage of both
physics-based (being data-efficient and interpretable) and deep learning based
(being generalizable) models. We design physics-informed deep learning for
car-following (PIDL-CF) architectures encoded with two popular physics-based
models - IDM and OVM, on which acceleration is predicted for four traffic
regimes: acceleration, deceleration, cruising, and emergency braking. Two types
of PIDL-CFM problems are studied, one to predict acceleration only and the
other to jointly predict acceleration and discover model parameters. We also
demonstrate the superior performance of PIDL with the Next Generation
SIMulation (NGSIM) dataset over baselines, especially when the training data is
sparse. The results demonstrate the superior performance of neural networks
informed by physics over those without. The developed PIDL-CF framework holds
the potential for system identification of driving models and for the
development of driving-based controls for automated vehicles.
- Abstract(参考訳): 自動車追従挙動は、インテリジェントドライバモデルのような物理モデルを用いて広く研究されている。
これらのモデルは現実世界で観測される交通現象をうまく解釈するが、運転の複雑な認知過程を完全に捉えることはできない。
一方、ディープラーニングモデルは、観測された交通現象を捉える能力を示しているが、トレーニングには大量の運転データを必要とする。
本稿では、物理モデル(データ効率および解釈可能)とディープラーニングモデル(一般化可能)の両方の利点を生かした、物理モデルから情報を得たニューラルネットワークに基づくカーフォローモデルの一群を開発することを目的とする。
我々は,自動車追従(PIDL-CF)アーキテクチャを2つの物理モデル - IDMとOVM - で符号化した物理インフォームドディープラーニングを設計し,加速,減速,巡航,緊急ブレーキの4つの交通系に対して加速を予測した。
2種類のPIDL-CFM問題について検討し,その1つは加速のみを予測し,もう1つは加速のみを予測し,モデルパラメータを発見する。
また,次世代シミュレーション(ngsim)データセットがベースライン上,特にトレーニングデータがスパースする場合において,pidlの優れた性能を示す。
その結果,無力者よりも物理によって学習されるニューラルネットの性能が向上した。
開発したPIDL-CFフレームワークは、駆動モデルのシステム識別と、自動車両の駆動制御の開発の可能性を秘めている。
関連論文リスト
- Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and
Agile Robotic Platforms [63.33467732915007]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを統合するためのフレームワークであるNeural-MPCを提案する。
シミュレーションと,高度にアジャイルな四角形プラットフォーム上での実世界で実施した我々の実験は,最大83%の位置追跡誤差を減少させることを示した。
論文 参考訳(メタデータ) (2022-03-15T09:38:15Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。
機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。
提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
論文 参考訳(メタデータ) (2021-08-11T18:05:55Z) - A Physics-Informed Deep Learning Paradigm for Traffic State Estimation
and Fundamental Diagram Discovery [3.779860024918729]
本稿では,基礎図形学習器(PIDL+FDL)を用いた物理インフォームド深層学習という,改良されたパラダイムに寄与する。
PIDL+FDLはML用語をモデル駆動コンポーネントに統合し、基本図(FD)の機能形式、すなわち交通密度から流れや速度へのマッピングを学ぶ。
PIDL+FDLを用いて、人気のある1次・2次トラフィックフローモデルの解法とFD関係の再構築を行う。
論文 参考訳(メタデータ) (2021-06-06T14:54:32Z) - Identification of the nonlinear steering dynamics of an autonomous
vehicle [0.0]
現代の車両は、モデリングが難しいデジタルおよびメカトロニクスコンポーネントの広い配列を持っています。
関連する車両のダイナミクスをキャプチャするためにデータ駆動モデリングを使用することは魅力的です。
ニューラルネットワークベースのサブスペースエンコーダが基礎となるダイナミクスをうまくキャプチャできることを示した。
論文 参考訳(メタデータ) (2021-05-10T17:32:23Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳(メタデータ) (2021-03-01T06:47:29Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Incorporating Kinematic Wave Theory into a Deep Learning Method for
High-Resolution Traffic Speed Estimation [3.0969191504482243]
本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。
我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
論文 参考訳(メタデータ) (2021-02-04T21:51:25Z) - Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。
本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
論文 参考訳(メタデータ) (2021-01-17T03:28:32Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z)
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。