論文の概要: Early Lane Change Prediction for Automated Driving Systems Using
Multi-Task Attention-based Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2109.10742v1
- Date: Wed, 22 Sep 2021 13:59:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 17:21:18.831875
- Title: Early Lane Change Prediction for Automated Driving Systems Using
Multi-Task Attention-based Convolutional Neural Networks
- Title（参考訳）: マルチタスク注意型畳み込みニューラルネットワークを用いた自動運転システムの早期車線変化予測
- Authors: Sajjad Mozaffari, Eduardo Arnold, Mehrdad Dianati and Saber Fallah
- Abstract要約: レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。
自動走行システムの 安全で快適な運転には 確実な予測が不可欠だ
本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
- 参考スコア（独自算出の注目度）: 8.60064151720158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lane change (LC) is one of the safety-critical manoeuvres in highway driving
according to various road accident records. Thus, reliably predicting such
manoeuvre in advance is critical for the safe and comfortable operation of
automated driving systems. The majority of previous studies rely on detecting a
manoeuvre that has been already started, rather than predicting the manoeuvre
in advance. Furthermore, most of the previous works do not estimate the key
timings of the manoeuvre (e.g., crossing time), which can actually yield more
useful information for the decision making in the ego vehicle. To address these
shortcomings, this paper proposes a novel multi-task model to simultaneously
estimate the likelihood of LC manoeuvres and the time-to-lane-change (TTLC). In
both tasks, an attention-based convolutional neural network (CNN) is used as a
shared feature extractor from a bird's eye view representation of the driving
environment. The spatial attention used in the CNN model improves the feature
extraction process by focusing on the most relevant areas of the surrounding
environment. In addition, two novel curriculum learning schemes are employed to
train the proposed approach. The extensive evaluation and comparative analysis
of the proposed method in existing benchmark datasets show that the proposed
method outperforms state-of-the-art LC prediction models, particularly
considering long-term prediction performance.
- Abstract（参考訳）: レーンチェンジ(英: Lane Change, LC)は、道路事故の記録により、高速道路の安全上重要な操作の一つである。
したがって、自動運転システムの安全かつ快適な運転には、事前の予測を確実に行うことが不可欠である。
これまでの研究の大部分は、事前に操作を予測するのではなく、すでに開始された操作を検知することに依存している。
さらに、以前の研究のほとんどは、エゴ車における意思決定に有用な情報を実際に得られるような操作(例えば、横断時間)の重要なタイミングを推定していない。
これらの欠点に対処するため,本論文では,LCの操作可能性とTTLC(Time-to-lane-change)を同時に推定する新しいマルチタスクモデルを提案する。
どちらのタスクにおいても、運転環境の鳥の視線表現から注意に基づく畳み込みニューラルネットワーク(cnn)を共有特徴抽出器として使用する。
cnnモデルで使用される空間的注意は、周辺環境の最も関連する領域に注目して特徴抽出プロセスを改善する。
また,提案手法を学習するために2つの新しいカリキュラム学習方式が採用されている。
既存のベンチマークデータセットにおける提案手法の広範な評価と比較分析により,提案手法は,特に長期予測性能を考慮して,最先端のlc予測モデルを上回ることが示された。
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) - A Novel Deep Neural Network for Trajectory Prediction in Automated
Vehicles Using Velocity Vector Field [12.067838086415833]
本稿では,データ駆動学習に基づく手法と,自然に着想を得た概念から生成された速度ベクトル場(VVF)を組み合わせた軌道予測手法を提案する。
精度は、正確な軌道予測のための過去の観測の長い歴史の要求を緩和する観測窓の減少と一致している。
論文 参考訳（メタデータ） (2023-09-19T22:14:52Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Trajectory Prediction with Observations of Variable-Length for Motion
Planning in Highway Merging scenarios [5.193470362635256]
既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。
本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。
2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
論文 参考訳（メタデータ） (2023-06-08T18:03:48Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - 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) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - Two-Stream Networks for Lane-Change Prediction of Surrounding Vehicles [8.828423067460644]
高速道路のシナリオでは、人間のドライバーは視覚的手がかりのみを使用して車両を取り巻く早期の切り込みと切り抜きの操作を予想する。
周囲車両の車線変化認識と予測に対処するため,ビデオカメラからの視覚的手がかりを積み重ねることで,行動認識・予測問題としてこの問題を提起する。
2ストリーム畳み込みネットワークと乗算器ネットワークという2つのビデオアクション認識アプローチが分析されている。
論文 参考訳（メタデータ） (2020-08-25T07:59:15Z) - Traffic congestion anomaly detection and prediction using deep learning [6.370406399003785]
混雑予測は、タイムリーなインシデント対応を確保するため、世界中の交通管理センターにとって重要な優先事項である。
生成されたトラフィックデータの増加は、トラフィックの機械学習予測器のトレーニングに使用されているが、時間と空間の両方でトラフィックフローの相互依存性のため、これは難しい課題である。
我々のディープラーニングモデルは従来の手法より一貫して優れており、将来、異なる時点におけるトラフィックフローを予測するのに必要な履歴データの最適時間地平線の比較分析を行う。
論文 参考訳（メタデータ） (2020-06-23T08:49:46Z) - Deep Learning with Attention Mechanism for Predicting Driver Intention
at Intersection [2.1699196439348265]
提案手法は、高度運転支援システム(ADAS)および自動運転車のアクティブ安全システムの一部として適用されることを約束している。
提案手法の性能評価を行い,本手法が他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-10T16:12:00Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。