論文の概要: Video action recognition for lane-change classification and prediction of surrounding vehicles

• arxiv url: http://arxiv.org/abs/2101.05043v1
• Date: Wed, 13 Jan 2021 13:25:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 08:05:07.729557
• Title: Video action recognition for lane-change classification and prediction of surrounding vehicles
• Title（参考訳）: 車線変化分類のための映像行動認識と周辺車両の予測
• Authors: Mahdi Biparva, David Fern\'andez-Llorca, Rub\'en Izquierdo-Gonzalo, John K. Tsotsos
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.127050913280925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In highway scenarios, an alert human driver will typically anticipate early cut-in/cut-out maneuvers of surrounding vehicles using visual cues mainly. Autonomous vehicles must anticipate these situations at an early stage too, to increase their safety and efficiency. In this work, lane-change recognition and prediction tasks are posed as video action recognition problems. Up to four different two-stream-based approaches, that have been successfully applied to address human action recognition, are adapted here by stacking visual cues from forward-looking video cameras to recognize and anticipate lane-changes of target vehicles. We study the influence of context and observation horizons on performance, and different prediction horizons are analyzed. The different models are trained and evaluated using the PREVENTION dataset. The obtained results clearly demonstrate the potential of these methodologies to serve as robust predictors of future lane-changes of surrounding vehicles proving an accuracy higher than 90% in time horizons of between 1-2 seconds.
• Abstract（参考訳）: 高速道路のシナリオでは、アラートの人間ドライバーは、主に視覚情報を使用して、周囲の車両の早期のカット/カットアウト操作を予想する。 自動運転車は安全性と効率を高めるために、これらの状況を早期に予測する必要がある。 本研究では,車線変化認識と予測タスクを映像行動認識問題として提示する。 人間の行動認識に成功している最大4つの異なる2ストリームベースのアプローチは、前方ビデオカメラからの視覚的手がかりを積み重ねて、目標車両の車線変化を認識し予測することによって、ここで適用される。 文脈と観測地平線が性能に及ぼす影響について検討し,予測地平線の違いを分析した。 異なるモデルをトレーニングし、PreVENTIONデータセットを使用して評価する。 その結果, これらの手法が, 1～2秒間の時間地平線において90%以上の精度で周囲車両の車線変化を予測できる可能性を明らかにした。

関連論文リスト

• BEVSeg2TP: Surround View Camera Bird's-Eye-View Based Joint Vehicle Segmentation and Ego Vehicle Trajectory Prediction [4.328789276903559]
  軌道予測は自動車の自律性にとって重要な課題である。 学習に基づく軌道予測への関心が高まっている。 認識能力を向上させる可能性があることが示される。
  論文  参考訳（メタデータ） (2023-12-20T15:02:37Z)
• 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)
• Policy Pre-training for End-to-end Autonomous Driving via Self-supervised Geometric Modeling [96.31941517446859]
  PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。 本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。 第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。 第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
  論文  参考訳（メタデータ） (2023-01-03T08:52:49Z)
• Early Lane Change Prediction for Automated Driving Systems Using Multi-Task Attention-based Convolutional Neural Networks [8.60064151720158]
  レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。 自動走行システムの 安全で快適な運転には 確実な予測が不可欠だ 本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-22T13:59:27Z)
• 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)
• Vehicle trajectory prediction in top-view image sequences based on deep learning method [1.181206257787103]
  周囲の車両の動きを推定し予測することは、自動車両と高度な安全システムにとって不可欠である。 道路の空中画像から得られた画像から学習した計算複雑性の低いモデルを提案する。 提案モデルでは, 対象車両とその周辺車両の移動履歴に関する画像を見るだけで, 自動車の将来の進路を予測できる。
  論文  参考訳（メタデータ） (2021-02-02T20:48:19Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• The PREVENTION Challenge: How Good Are Humans Predicting Lane Changes? [0.0]
  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。
  論文  参考訳（メタデータ） (2020-09-11T10:47:07Z)
• Two-Stream Networks for Lane-Change Prediction of Surrounding Vehicles [8.828423067460644]
  高速道路のシナリオでは、人間のドライバーは視覚的手がかりのみを使用して車両を取り巻く早期の切り込みと切り抜きの操作を予想する。 周囲車両の車線変化認識と予測に対処するため,ビデオカメラからの視覚的手がかりを積み重ねることで,行動認識・予測問題としてこの問題を提起する。 2ストリーム畳み込みネットワークと乗算器ネットワークという2つのビデオアクション認識アプローチが分析されている。
  論文  参考訳（メタデータ） (2020-08-25T07:59:15Z)
• What-If Motion Prediction for Autonomous Driving [58.338520347197765]
  生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。 本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。 提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
  論文  参考訳（メタデータ） (2020-08-24T17:49:30Z)
• Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
  本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。 本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
  論文  参考訳（メタデータ） (2020-06-20T11:56:32Z)

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。