論文の概要: Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks
- arxiv url: http://arxiv.org/abs/2203.10707v1
- Date: Mon, 21 Mar 2022 02:30:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 15:02:07.601479
- Title: Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks
- Title（参考訳）: lstmネットワークを用いた単眼視による切込み操作の予測
- Authors: Yagiz Nalcakan and Yalin Bastanlar
- Abstract要約: 本研究では,エゴレーンで発生する潜在的に危険なカットイン動作を予測する手法を提案する。
我々は、1台の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従う。
本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Advanced driver assistance and automated driving systems should be capable of
predicting and avoiding dangerous situations. This study proposes a method to
predict potentially dangerous cut-in maneuvers happening in the ego lane. We
follow a computer vision-based approach that only employs a single in-vehicle
RGB camera, and we classify the target vehicle's maneuver based on the recent
video frames. Our algorithm consists of a CNN-based vehicle detection and
tracking step and an LSTM-based maneuver classification step. It is more
computationally efficient than other vision-based methods since it exploits a
small number of features for the classification step rather than feeding CNNs
with RGB frames. We evaluated our approach on a publicly available driving
dataset and a lane change detection dataset. We obtained 0.9585 accuracy with
side-aware two-class (cut-in vs. lane-pass) classification models. Experiment
results also reveal that our approach outperforms state-of-the-art approaches
when used for lane change detection.
- Abstract（参考訳）: 高度な運転支援と自動運転システムは危険な状況を予測し回避する能力を持つべきである。
本研究は,エゴレーンで発生する潜在的に危険なカットイン操作を予測する手法を提案する。
我々は、単一の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従い、最近のビデオフレームに基づいて、ターゲット車両の操作を分類する。
本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
RGBフレームでCNNを供給するのではなく、分類ステップに少数の機能を利用するため、他の視覚ベースの方法よりも計算効率がよい。
我々は、公開可能な運転データセットと車線変更検出データセットに対するアプローチを評価した。
サイドアウェア2クラス(カットイン対レーンパス)分類モデルを用いて0.9585の精度を得た。
実験の結果,車線変化検出に使用する場合,本手法は最先端の手法よりも優れていることがわかった。
関連論文リスト
- Cross-Camera Distracted Driver Classification through Feature Disentanglement and Contrastive Learning [13.613407983544427]
車両内のカメラ位置の変化に耐えられるような頑健なモデルを導入する。
我々のドライバ行動監視ネットワーク(DBMNet)は軽量なバックボーンに依存し、アンタングルメントモジュールを統合する。
100-Driverデータセットの夜間および夜間のサブセットで行った実験は、我々のアプローチの有効性を検証した。
論文 参考訳（メタデータ） (2024-11-20T10:27:12Z) - 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) - 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) - BCSSN: Bi-direction Compact Spatial Separable Network for Collision
Avoidance in Autonomous Driving [4.392212820170972]
ルールベースのシステム、決定木、マルコフ決定プロセス、ベイジアンネットワークは、交通条件の複雑さに対処し衝突を避けるために使われる一般的な手法の1つである。
ディープラーニングの出現に伴い、多くの研究者が衝突回避性能を向上させるためにCNNベースの手法に転換してきた。
そこで本研究では,CNN を用いた時系列画像の領域間の特徴相関関係の確立により,その制限を克服する手法を提案する。
論文 参考訳（メタデータ） (2023-03-12T17:35:57Z) - Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
ドライバーの気晴らしが道路事故の主要な原因であることが知られている。
State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。
本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
論文 参考訳（メタデータ） (2022-10-17T21:22:41Z) - Blind-Spot Collision Detection System for Commercial Vehicles Using
Multi Deep CNN Architecture [0.17499351967216337]
高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。
盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。
機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-08-17T11:10:37Z) - 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) - 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) - Vehicle trajectory prediction in top-view image sequences based on deep
learning method [1.181206257787103]
周囲の車両の動きを推定し予測することは、自動車両と高度な安全システムにとって不可欠である。
道路の空中画像から得られた画像から学習した計算複雑性の低いモデルを提案する。
提案モデルでは, 対象車両とその周辺車両の移動履歴に関する画像を見るだけで, 自動車の将来の進路を予測できる。
論文 参考訳（メタデータ） (2021-02-02T20:48:19Z) - Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。
我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。
その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文 参考訳（メタデータ） (2020-08-19T13:13:01Z) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳（メタデータ） (2020-02-28T00:24:18Z)
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。