Fugu-MT 論文翻訳(概要): Maneuver-Aware Pooling for Vehicle Trajectory Prediction

論文の概要: Maneuver-Aware Pooling for Vehicle Trajectory Prediction

arxiv url: http://arxiv.org/abs/2104.14079v1
Date: Thu, 29 Apr 2021 02:12:08 GMT
ステータス: 処理完了
システム内更新日: 2021-04-30 12:49:55.783992
Title: Maneuver-Aware Pooling for Vehicle Trajectory Prediction
Title（参考訳）: 車両軌道予測のための操舵アウェアプーリング
Authors: Mohamed Hasan, Albert Solernou, Evangelos Paschalidis, He Wang, Gustav Markkula and Richard Romano
Abstract要約: 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。
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: Autonomous vehicles should be able to predict the future states of its environment and respond appropriately. Specifically, predicting the behavior of surrounding human drivers is vital for such platforms to share the same road with humans. Behavior of each of the surrounding vehicles is governed by the motion of its neighbor vehicles. This paper focuses on predicting the behavior of the surrounding vehicles of an autonomous vehicle on highways. We are motivated by improving the prediction accuracy when a surrounding vehicle performs lane change and highway merging maneuvers. We propose a novel pooling strategy to capture the inter-dependencies between the neighbor vehicles. Depending solely on Euclidean trajectory representation, the existing pooling strategies do not model the context information of the maneuvers intended by a surrounding vehicle. In contrast, our pooling mechanism employs polar trajectory representation, vehicles orientation and radial velocity. This results in an implicitly maneuver-aware pooling operation. We incorporated the proposed pooling mechanism into a generative encoder-decoder model, and evaluated our method on the public NGSIM dataset. The results of maneuver-based trajectory predictions demonstrate the effectiveness of the proposed method compared with the state-of-the-art approaches. Our "Pooling Toolbox" code is available at https://github.com/m-hasan-n/pooling.
Abstract（参考訳）: 自動運転車は、環境の将来の状態を予測し、適切に対応できるべきである。特に、周囲の人間ドライバーの行動を予測することは、そのようなプラットフォームが人間と同じ道を歩むためには不可欠である。周囲の車両の挙動は、隣接する車両の動きによって制御される。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。我々は、周囲の車両が車線変更や高速道路の合流操作を行う際の予測精度の向上をモチベーションとしている。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。ユークリッド軌道表現のみに依存するが、既存のプーリング戦略は周囲の車両が意図する操作の文脈情報をモデル化しない。対照的に、プール機構は極軌道表現、車両の向き、放射速度を用いる。この結果、暗黙的に操作対応のプール操作が実現した。提案するプーリング機構を生成エンコーダ・デコーダモデルに組み込み,公開ngsimデータセット上で評価した。操作に基づく軌道予測の結果から,提案手法の有効性を最先端手法と比較した。 Pooling Toolbox"コードはhttps://github.com/m-hasan-n/pooling.comから入手可能です。

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)
Interpretable Goal-Based model for Vehicle Trajectory Prediction in Interactive Scenarios [4.1665957033942105]
自動車とその周囲の社会的相互作用は、自動運転における道路安全にとって重要である。対話型環境における車両軌道予測のためのニューラルネットワークモデルを提案する。我々は、InterActionデータセットを用いてモデルを実装し、評価し、提案したアーキテクチャの有効性を実証する。
論文参考訳（メタデータ） (2023-08-08T15:00:12Z)
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)
AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文参考訳（メタデータ） (2022-09-19T03:34:59Z)
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)
Maneuver-based Anchor Trajectory Hypotheses at Roundabouts [3.5851903214591663]
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。
論文参考訳（メタデータ） (2021-04-22T17:08:29Z)
Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文参考訳（メタデータ） (2021-01-18T01:43:36Z)
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)
Probabilistic Multi-modal Trajectory Prediction with Lane Attention for Autonomous Vehicles [10.485790589381704]
軌道予測は自動運転車にとって不可欠である。レーン表現のための新しいインスタンス認識表現を提案する。提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
論文参考訳（メタデータ） (2020-07-06T07:57:23Z)
PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文参考訳（メタデータ） (2020-03-25T16:09:54Z)
Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。また、車両軌道予測に効率的なキネマティック拘束層を応用した。提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。