論文の概要: TransFollower: Long-Sequence Car-Following Trajectory Prediction through Transformer

• arxiv url: http://arxiv.org/abs/2202.03183v1
• Date: Fri, 4 Feb 2022 07:59:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 14:12:22.149240
• Title: TransFollower: Long-Sequence Car-Following Trajectory Prediction through Transformer
• Title（参考訳）: TransFollower: 変圧器による車列追従軌道予測
• Authors: Meixin Zhu, Simon S. Du, Xuesong Wang, Hao (Frank) Yang, Ziyuan Pu, Yinhai Wang
• Abstract要約: 本研究では,アテンションベーストランスフォーマーモデルに基づく自動車追従軌道予測モデルを提案する。 上海博物学運転研究会(SH-NDS)から抽出した実世界112,597台の乗用車追跡イベントを用いて、我々のモデルを訓練・試験する。
• 参考スコア（独自算出の注目度）: 44.93030718234555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Car-following refers to a control process in which the following vehicle (FV) tries to keep a safe distance between itself and the lead vehicle (LV) by adjusting its acceleration in response to the actions of the vehicle ahead. The corresponding car-following models, which describe how one vehicle follows another vehicle in the traffic flow, form the cornerstone for microscopic traffic simulation and intelligent vehicle development. One major motivation of car-following models is to replicate human drivers' longitudinal driving trajectories. To model the long-term dependency of future actions on historical driving situations, we developed a long-sequence car-following trajectory prediction model based on the attention-based Transformer model. The model follows a general format of encoder-decoder architecture. The encoder takes historical speed and spacing data as inputs and forms a mixed representation of historical driving context using multi-head self-attention. The decoder takes the future LV speed profile as input and outputs the predicted future FV speed profile in a generative way (instead of an auto-regressive way, avoiding compounding errors). Through cross-attention between encoder and decoder, the decoder learns to build a connection between historical driving and future LV speed, based on which a prediction of future FV speed can be obtained. We train and test our model with 112,597 real-world car-following events extracted from the Shanghai Naturalistic Driving Study (SH-NDS). Results show that the model outperforms the traditional intelligent driver model (IDM), a fully connected neural network model, and a long short-term memory (LSTM) based model in terms of long-sequence trajectory prediction accuracy. We also visualized the self-attention and cross-attention heatmaps to explain how the model derives its predictions.
• Abstract（参考訳）: カーフォロー(Car-following)とは、後続の車両(FV)が、前方の車両の動作に応じて加速を調整することにより、自身とリード車両(LV)の間の安全な距離を保とうとする制御過程を指す。 対応する車両追従モデルでは、交通の流れの中である車両が別の車両にどのように従うかを記述し、微視的交通シミュレーションとインテリジェントな車両開発の基礎となる。 カーフォローモデルの主な動機の1つは、人間のドライバーの縦方向の運転軌跡を再現することである。 過去の運転状況に対する将来の行動の長期的依存をモデル化するために,注意に基づくトランスフォーマーモデルに基づく車列追従軌道予測モデルを開発した。 このモデルはエンコーダ-デコーダアーキテクチャの一般的な形式に従う。 エンコーダは、履歴速度とスペーシングデータを入力として、マルチヘッドセルフアテンションを用いて、履歴駆動コンテキストの混合表現を形成する。 デコーダは、将来のLV速度プロファイルを入力として、予測された将来のFV速度プロファイルを生成方法で出力する(自動回帰方式ではなく、複合エラーを回避する)。 エンコーダとデコーダとの相互接続により、デコーダは、将来のfv速度の予測が得られる履歴駆動と将来のlv速度との接続を構築することを学ぶ。 上海博物学運転研究会(SH-NDS)から抽出した112,597台の実車追跡イベントを用いて,我々のモデルを訓練・試験した。 その結果、モデルが従来のインテリジェントドライバモデル(IDM)、完全に接続されたニューラルネットワークモデル、長期短期メモリ(LSTM)ベースのモデルよりも長周期軌道予測精度が高いことがわかった。 また、モデルがどのように予測を導出するかを説明するために、自己注意と横断熱マップを可視化した。

関連論文リスト

• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Crossfusor: A Cross-Attention Transformer Enhanced Conditional Diffusion Model for Car-Following Trajectory Prediction [10.814758830775727]
  本研究では,自動車追従軌道予測のためのクロスアテンショントランスフォーマー拡張拡散モデル (Crossfusor) を提案する。 車両間の詳細な相互作用と自動車追従ダイナミクスを堅牢な拡散フレームワークに統合し、予測された軌道の精度と現実性を改善する。 NGSIMデータセットの実験結果から、クロスファザーは特に長期予測において最先端のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-17T17:35:47Z)
• Humanoid Locomotion as Next Token Prediction [84.21335675130021]
  我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。 われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。 われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
  論文  参考訳（メタデータ） (2024-02-29T18:57:37Z)
• 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)
• FollowNet: A Comprehensive Benchmark for Car-Following Behavior Modeling [20.784555362703294]
  自動車追従行動モデリングのための公開ベンチマークデータセットを構築した。 ベンチマークは、5つの公共運転データセットから抽出された80K以上のカーフォローイベントで構成されている。 以上の結果から, DDPGに基づくモデルでは, 間隔の低いMSEと競合する結果が得られた。
  論文  参考訳（メタデータ） (2023-05-25T08:59:26Z)
• An End-to-End Vehicle Trajcetory Prediction Framework [3.7311680121118345]
  将来の軌道の正確な予測は、以前の軌道に依存するだけでなく、近くの他の車両間の複雑な相互作用のシミュレーションにも依存する。 この問題に対処するために構築されたほとんどの最先端のネットワークは、軌跡をたどって容易に利用できると仮定している。 本稿では,生のビデオ入力を取り込み,将来の軌跡予測を出力する新しいエンドツーエンドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-19T15:42:03Z)
• Inverting the Fundamental Diagram and Forecasting Boundary Conditions: How Machine Learning Can Improve Macroscopic Models for Traffic Flow [0.0]
  高速道路を走行する車両のフラックスと速度のデータを,固定センサで収集し,車線および車種別に分類したデータセットについて検討する。 1) 渋滞がセンサの下に現れる場合, 2) 今後センサの下に通過する車両の総量を推定する。 これらの情報片は、センサ間のトラフィックフローのダイナミクスを記述したLWRベースの1次1次マルチクラスモデルの精度を向上させるために使用される。
  論文  参考訳（メタデータ） (2023-03-21T11:07:19Z)
• 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)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  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。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory Prediction Model based on Neural Networks and Distributed Representations [0.0]
  車両軌道予測におけるトレーニングデータの構成について検討する。 本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T20:00:11Z)

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。