論文の概要: A Framework for Real-time Traffic Trajectory Tracking, Speed Estimation,
and Driver Behavior Calibration at Urban Intersections Using Virtual Traffic
Lanes
- arxiv url: http://arxiv.org/abs/2106.09932v1
- Date: Fri, 18 Jun 2021 06:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 14:07:32.351995
- Title: A Framework for Real-time Traffic Trajectory Tracking, Speed Estimation,
and Driver Behavior Calibration at Urban Intersections Using Virtual Traffic
Lanes
- Title(参考訳): 仮想交通レーンを用いた都市交差点におけるリアルタイム交通軌跡追跡, 速度推定, 運転行動校正のためのフレームワーク
- Authors: Awad Abdelhalim, Montasir Abbas, Bhavi Bharat Kotha, Alfred Wicks
- Abstract要約: 本稿では,VT-Laneを用いて得られた高精度な軌跡と移動分類を取り入れたケーススタディを提案する。
我々は、高度に計測された車両を用いて、ビデオ推論から得られた推定速度を検証する。
次に、推定速度を用いて、研究領域における車両の運転行動モデルのパラメータを校正する。
- 参考スコア(独自算出の注目度): 5.735035463793008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In a previous study, we presented VT-Lane, a three-step framework for
real-time vehicle detection, tracking, and turn movement classification at
urban intersections. In this study, we present a case study incorporating the
highly accurate trajectories and movement classification obtained via VT-Lane
for the purpose of speed estimation and driver behavior calibration for traffic
at urban intersections. First, we use a highly instrumented vehicle to verify
the estimated speeds obtained from video inference. The results of the speed
validation show that our method can estimate the average travel speed of
detected vehicles in real-time with an error of 0.19 m/sec, which is equivalent
to 2% of the average observed travel speeds in the intersection of the study.
Instantaneous speeds (at the resolution of 30 Hz) were found to be estimated
with an average error of 0.21 m/sec and 0.86 m/sec respectively for
free-flowing and congested traffic conditions. We then use the estimated speeds
to calibrate the parameters of a driver behavior model for the vehicles in the
area of study. The results show that the calibrated model replicates the
driving behavior with an average error of 0.45 m/sec, indicating the high
potential for using this framework for automated, large-scale calibration of
car-following models from roadside traffic video data, which can lead to
substantial improvements in traffic modeling via microscopic simulation.
- Abstract(参考訳): 先行研究では,都市交差点におけるリアルタイム車両検出,追跡,ターン移動分類のための3段階フレームワークであるvt-laneを提案する。
本研究では,都市交差点における交通の速度推定と運転行動校正を目的とした,VT-Laneを用いた高精度な軌跡と移動分類を取り入れたケーススタディを提案する。
まず,高度に計測された車両を用いて,映像推定から得られた推定速度を検証した。
速度検証の結果,検出された車両の平均走行速度を0.19m/秒の誤差でリアルタイムに推定できることがわかった。
瞬時速度(30Hz)は、それぞれ0.21m/secと0.86m/secの平均誤差で推定された。
次に、推定速度を用いて、研究領域における車両の運転行動モデルのパラメータを校正する。
その結果,キャリブレーションモデルでは平均0.45 m/secの誤差で走行動作を再現でき,道路交通映像データから車追従モデルの大規模自動キャリブレーションを行うための高ポテンシャルが示され,微視的シミュレーションによる交通モデルの改善に繋がる可能性が示唆された。
関連論文リスト
- RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - A Machine Learning Method for Predicting Traffic Signal Timing from
Probe Vehicle Data [2.479294896735424]
信号位相とタイミングデータを知ることで、時間とエネルギー効率の最適な車両ルーティングが可能になる。
車両プローブデータから交通信号のタイミング情報を推定する機械学習(ML)手法を提案する。
論文 参考訳(メタデータ) (2023-08-04T15:10:07Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳(メタデータ) (2022-07-22T15:16:54Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳(メタデータ) (2022-07-21T12:03:02Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳(メタデータ) (2021-09-16T13:10:27Z) - Learning Traffic Speed Dynamics from Visualizations [3.0969191504482243]
時空の可視化からマクロ交通速度のダイナミクスを学習する深層学習法を提案する。
既存の推定手法と比較して,より詳細な推定解決が可能となる。
次世代シミュレーションプログラム(NGSIM)とドイツ高速道路(HighD)のデータセットから得られたデータを用いて,高速道路区間の高分解能交通速度場を推定した。
論文 参考訳(メタデータ) (2021-05-04T11:17:43Z) - 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) - Data-Driven Intersection Management Solutions for Mixed Traffic of
Human-Driven and Connected and Automated Vehicles [0.0]
この論文は、コネクテッドカーとオートマチックカーの存在下での都市交通制御のための2つの解決策を提案する。
まず, 協調的交差点管理問題に対して, 集中型小隊制御器を提案する。
第二に,コネクテッドカーの存在下での適応信号制御のためのデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2020-12-10T01:44:45Z) - Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。
提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文 参考訳(メタデータ) (2020-01-21T12:52:58Z)
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。