Fugu-MT 論文翻訳(概要): Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks

論文の概要: Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks

arxiv url: http://arxiv.org/abs/2102.01431v2
Date: Wed, 3 Feb 2021 09:07:53 GMT
ステータス: 処理完了
システム内更新日: 2021-02-04 12:54:41.645697
Title: Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks
Title（参考訳）: LSTM-Recurrent Neural Networksを用いた車線変化までの時間予測
Authors: Florian Wirthm\"uller, Marvin Klimke, Julian Schlechtriemen, Jochen Hipp and Manfred Reichert
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.5399800035598186
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To plan safe and comfortable trajectories for automated vehicles on highways, accurate predictions of traffic situations are needed. So far, a lot of research effort has been spent on detecting lane change maneuvers rather than on estimating the point in time a lane change actually happens. In practice, however, this temporal information might be even more useful. This paper deals with the development of a system that accurately predicts the time to the next lane change of surrounding vehicles on highways using long short-term memory-based recurrent neural networks. An extensive evaluation based on a large real-world data set shows that our approach is able to make reliable predictions, even in the most challenging situations, with a root mean squared error around 0.7 seconds. Already 3.5 seconds prior to lane changes the predictions become highly accurate, showing a median error of less than 0.25 seconds. In summary, this article forms a fundamental step towards downstreamed highly accurate position predictions.
Abstract（参考訳）: 高速道路における自動運転車の安全で快適な軌道計画には,交通状況の正確な予測が必要である。これまでのところ、車線変更が実際に起こる時点を推定するよりも、車線変更操作の検出に多くの研究が費やされてきた。しかし実際には、この時間情報はもっと役に立つかもしれない。本論文では,長期記憶型リカレントニューラルネットワークを用いて,高速道路における周辺車両の次の車線変化の時間を正確に予測するシステムの開発について述べる。大規模実世界のデータセットに基づく広範な評価により,本手法は,最も困難な状況であっても,根平均二乗誤差が0.7秒程度で,信頼性の高い予測を行うことができることが示された。車線変更の3.5秒前の予測は精度が高くなり、中央値の誤差は0.25秒未満である。要約すると、この記事は下流の高精度な位置予測のための基本的なステップを形成します。

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)
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)
Multi-modal Transformer Path Prediction for Autonomous Vehicle [15.729029675380083]
ターゲットエージェントの長期的軌跡予測を目的としたMTPP(Multi-modal Transformer Path Prediction)と呼ばれる経路予測システムを提案する。より正確な経路予測を実現するため,トランスフォーマーアーキテクチャをモデルに適用した。実世界の軌跡予測データセットであるnuSceneを用いて,提案システムの有効性を定量的に評価した。
論文参考訳（メタデータ） (2022-08-15T15:09:26Z)
RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
本稿では,リレーチェーン予測に基づく車線検出手法を提案する。当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
論文参考訳（メタデータ） (2022-07-19T16:48:39Z)
RadNet: Incident Prediction in Spatio-Temporal Road Graph Networks Using Traffic Forecasting [2.6690664860458906]
我々はRadNetと呼ばれるニューラルモデルを開発し、将来の時間ステップでシステムのパラメータを予測する。以前の作業とは異なり、RadNetは両方の置換における空間的傾向と時間的傾向を推定し、最終的に予測の前に密度の高い表現を組み合わせる。
論文参考訳（メタデータ） (2022-06-11T20:06:47Z)
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)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
A Lane-Changing Prediction Method Based on Temporal Convolution Network [36.84793673877468]
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。
論文参考訳（メタデータ） (2020-11-01T07:33:10Z)
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)
Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron [5.267336573374459]
横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
論文参考訳（メタデータ） (2020-06-23T05:32:40Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。