論文の概要: A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN
- arxiv url: http://arxiv.org/abs/2103.00801v1
- Date: Mon, 1 Mar 2021 06:47:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:06:24.484529
- Title: A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN
- Title（参考訳）: Bi-LSTMとマルチスケールCNNを用いた運転行動認識モデル
- Authors: He Zhang, Zhixiong Nan, Tao Yang, Yifan Liu and Nanning Zheng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 59.57221522897815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In autonomous driving, perceiving the driving behaviors of surrounding agents
is important for the ego-vehicle to make a reasonable decision. In this paper,
we propose a neural network model based on trajectories information for driving
behavior recognition. Unlike existing trajectory-based methods that recognize
the driving behavior using the hand-crafted features or directly encoding the
trajectory, our model involves a Multi-Scale Convolutional Neural Network
(MSCNN) module to automatically extract the high-level features which are
supposed to encode the rich spatial and temporal information. Given a
trajectory sequence of an agent as the input, firstly, the Bi-directional Long
Short Term Memory (Bi-LSTM) module and the MSCNN module respectively process
the input, generating two features, and then the two features are fused to
classify the behavior of the agent. We evaluate the proposed model on the
public BLVD dataset, achieving a satisfying performance.
- Abstract（参考訳）: 自動運転では、周囲のエージェントの運転行動を知覚することは、自我自動車が合理的な決定を下すために重要です。
本稿では,運転行動認識のための軌跡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。
本モデルでは,手作り特徴を用いた運転行動の認識や軌道の直接符号化と異なり,多スケール畳み込みニューラルネットワーク(MSCNN)モジュールを用いて,空間情報や時間情報をエンコードする高次特徴を自動的に抽出する。
入力としてエージェントの軌道シーケンスが与えられた場合、まず、双方向長短メモリ(Bi-LSTM)モジュールとMSCNNモジュールがそれぞれ入力を処理し、2つの特徴を生成し、2つの特徴を融合してエージェントの動作を分類する。
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。
関連論文リスト
- Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - A Dynamic Temporal Self-attention Graph Convolutional Network for
Traffic Prediction [7.23135508361981]
本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。
実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
論文 参考訳（メタデータ） (2023-02-21T03:51:52Z) - IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence
Car-Following Trajectory Prediction [24.94160059351764]
ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。
2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。
シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
論文 参考訳（メタデータ） (2022-10-20T02:24:27Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳（メタデータ） (2022-05-31T01:19:18Z) - Bidirectional Interaction between Visual and Motor Generative Models
using Predictive Coding and Active Inference [68.8204255655161]
本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。
我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
論文 参考訳（メタデータ） (2021-04-19T09:41:31Z) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳（メタデータ） (2021-02-24T05:02:19Z) - 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) - PathGAN: Local Path Planning with Attentive Generative Adversarial
Networks [0.0]
本稿では,自動運転車の自我中心画像から可塑性経路を生成できるモデルを提案する。
我々の生成モデルは、特徴抽出ネットワーク(FEN)と経路生成ネットワーク(PGN)の2つのニューラルネットワークからなる。
また、記録されたセンサデータを個別のハイレベルな運転動作でラベル付けした自律運転用データセットであるETRIDrivingを紹介した。
論文 参考訳（メタデータ） (2020-07-08T03:31:58Z)
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。