論文の概要: Maneuver-based Anchor Trajectory Hypotheses at Roundabouts

• arxiv url: http://arxiv.org/abs/2104.11180v1
• Date: Thu, 22 Apr 2021 17:08:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 13:44:45.002860
• Title: Maneuver-based Anchor Trajectory Hypotheses at Roundabouts
• Title（参考訳）: ラウンドアラウンドアラウンドアラウンドにおける操作に基づくアンカー軌道仮説
• Authors: Mohamed Hasan, Evangelos Paschalidis, Albert Solernou, He Wang, Gustav Markkula and Richard Romano
• Abstract要約: 人的データから学習することで、挑戦的なラウンドアバウト環境における車両の動き予測の問題に対処する。 ドライバーの意図は、セマンティクス駆動の概念に対応する一連の操作によって符号化される。 我々のモデルは、ラウンドアバウンドにおける可能な結果の空間をカバーする、一連の操作特異的なアンカー軌道を用いる。
• 参考スコア（独自算出の注目度）: 3.5851903214591663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting future behavior of the surrounding vehicles is crucial for self-driving platforms to safely navigate through other traffic. This is critical when making decisions like crossing an unsignalized intersection. We address the problem of vehicle motion prediction in a challenging roundabout environment by learning from human driver data. We extend existing recurrent encoder-decoder models to be advantageously combined with anchor trajectories to predict vehicle behaviors on a roundabout. Drivers' intentions are encoded by a set of maneuvers that correspond to semantic driving concepts. Accordingly, our model employs a set of maneuver-specific anchor trajectories that cover the space of possible outcomes at the roundabout. The proposed model can output a multi-modal distribution over the predicted future trajectories based on the maneuver-specific anchors. We evaluate our model using the public RounD dataset and the experiment results show the effectiveness of the proposed maneuver-based anchor regression in improving prediction accuracy, reducing the average RMSE to 28% less than the best baseline. Our code is available at https://github.com/m-hasan-n/roundabout.
• Abstract（参考訳）: 周辺車両の将来行動を予測することは、自動運転プラットフォームが他の交通を安全に移動するためには不可欠である。 これは、符号のない交差点を横切るような決定をするときに重要である。 人間の運転データから学習することで、挑戦的なラウンドアバウト環境における車両の動き予測の問題に対処する。 既存の再帰エンコーダデコーダモデルを拡張し、アンカー軌道と組み合わせてラウンドアバウンド上での車両挙動を予測する。 ドライバーの意図は、セマンティック駆動の概念に対応する一連の操作によって符号化される。 したがって,本モデルはラウンドアラウンドアラウンドアラウンドアラウンドにおける可能な結果の空間をカバーする操作特異的アンカートラジェクタ群を用いる。 提案モデルでは,操作固有アンカーに基づいて,予測される将来の軌道上のマルチモーダル分布を出力することができる。 本研究では,公開ラウンドデータセットを用いてモデルを評価し,提案手法を用いたアンカー回帰による予測精度の向上効果を示し,平均rmseを最良ベースラインより28%低減した。 私たちのコードはhttps://github.com/m-hasan-n/roundaboutで利用可能です。

関連論文リスト

• Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space [3.487370856323828]
  本研究は,モデルフリーDRLアルゴリズムのトレーニングにおいて,予測歩行者状態の不確かさを取り入れた統合予測と計画手法を導入する。 新たな報酬関数により、AVは歩行者の個人的な空間を尊重し、接近中の速度を減少させ、予測された経路との衝突確率を最小化する。 その結果, 衝突速度は40%減少し, 予測の不確実性を考慮しない技術モデルと比較すると, 歩行者との距離は15%増加した。
  論文  参考訳（メタデータ） (2024-05-22T20:09:21Z)
• Probabilistic Prediction of Longitudinal Trajectory Considering Driving Heterogeneity with Interpretability [12.929047288003213]
  本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。 提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
  論文  参考訳（メタデータ） (2023-12-19T12:56:56Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• 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)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• Maneuver-Aware Pooling for Vehicle Trajectory Prediction [3.5851903214591663]
  本稿では、高速道路における自動運転車の周辺車両の挙動の予測に焦点をあてる。 本稿では,隣接する車両間の相互依存を捉えるための新しいプーリング戦略を提案する。 提案したプール機構を生成エンコーダデコーダモデルに組み入れ,公開NGSIMデータセット上で評価した。
  論文  参考訳（メタデータ） (2021-04-29T02:12:08Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Trajectory Prediction in Autonomous Driving with a Lane Heading Auxiliary Loss [1.1470070927586014]
  本稿では,全ての予測モードにおいて予測駆動ルールを強制することにより,軌道予測モデルを強化する損失関数を提案する。 軌道予測への我々の貢献は2倍であり、オフロードレート計量の故障事例に対処する新しい指標を提案する。 次に、この補助損失を用いて、MTP(Multiple trajectory Prediction)モデルとMultiPathモデルを拡張する。
  論文  参考訳（メタデータ） (2020-11-12T22:51:25Z)
• 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)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。