Fugu-MT 論文翻訳(概要): Explainable Online Lane Change Predictions on a Digital Twin with a Layer Normalized LSTM and Layer-wise Relevance Propagation

論文の概要: Explainable Online Lane Change Predictions on a Digital Twin with a Layer Normalized LSTM and Layer-wise Relevance Propagation

arxiv url: http://arxiv.org/abs/2204.01292v1
Date: Mon, 4 Apr 2022 07:54:42 GMT
ステータス: 処理完了
システム内更新日: 2022-04-06 01:22:26.847117
Title: Explainable Online Lane Change Predictions on a Digital Twin with a Layer Normalized LSTM and Layer-wise Relevance Propagation
Title（参考訳）: 層正規化LSTMと層ワイド関連伝搬を有するディジタル双晶上の説明可能なオンラインレーン変化予測
Authors: Christoph Wehner and Francis Powlesland and Bashar Altakrouri and Ute Schmid
Abstract要約: 長期記憶(Long Short-term memory, LSTM)は、車線変化予測の先駆者である。本研究は、層正規化LSTMのレーン変化予測を説明するための革新的なアプローチと技術的実装を示す。コア実装には、ドイツの高速道路でデジタルツインからライブデータを消費すること、LPPを正規化されたLSTM層に拡張することによりレーン変更のライブ予測と説明、予測を人間に伝達し説明するためのインターフェースが含まれる。
参考スコア（独自算出の注目度）: 0.8137198664755597
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Artificial Intelligence and Digital Twins play an integral role in driving innovation in the domain of intelligent driving. Long short-term memory (LSTM) is a leading driver in the field of lane change prediction for manoeuvre anticipation. However, the decision-making process of such models is complex and non-transparent, hence reducing the trustworthiness of the smart solution. This work presents an innovative approach and a technical implementation for explaining lane change predictions of layer normalized LSTMs using Layer-wise Relevance Propagation (LRP). The core implementation includes consuming live data from a digital twin on a German highway, live predictions and explanations of lane changes by extending LRP to layer normalized LSTMs, and an interface for communicating and explaining the predictions to a human user. We aim to demonstrate faithful, understandable, and adaptable explanations of lane change prediction to increase the adoption and trustworthiness of AI systems that involve humans. Our research also emphases that explainability and state-of-the-art performance of ML models for manoeuvre anticipation go hand in hand without negatively affecting predictive effectiveness.
Abstract（参考訳）: 人工知能とデジタル双子は、インテリジェント運転の領域におけるイノベーションを推進する上で不可欠な役割を果たす。長期記憶(Long Short-term memory, LSTM)は、車線変化予測の先駆者である。しかし、そのようなモデルの意思決定プロセスは複雑で不透明であるため、スマートソリューションの信頼性が低下する。本研究は,LRP(Layer-wise Relevance Propagation)を用いて,レイヤ正規化LSTMのレーン変化予測を説明するための革新的な手法と技術的実装を提案する。コア実装には、ドイツの高速道路でデジタルツインからライブデータを消費すること、LSPを正規化されたLSTM層に拡張することによりレーン変更のライブ予測と説明、予測を人間に伝達し説明するためのインターフェースが含まれる。我々は、人間を含むAIシステムの採用と信頼性を高めるために、車線変更予測の忠実で理解しやすく適応可能な説明を実証することを目指している。本研究は, 予測精度に悪影響を及ぼすことなく, 操作予測のためのMLモデルの説明可能性と最先端性能を両立させる。

関連論文リスト

Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文参考訳（メタデータ） (2024-10-28T09:19:29Z)
GenFollower: Enhancing Car-Following Prediction with Large Language Models [11.847589952558566]
我々は、これらの課題に対処するために、大規模言語モデル(LLM)を活用する新しいゼロショットプロンプトアプローチであるGenFollowerを提案する。我々は,車追従動作を言語モデリング問題として再編成し,不均一な入力をLLMのための構造化プロンプトに統合する。オープンデータセットの実験は、GenFollowerの優れたパフォーマンスと解釈可能な洞察を提供する能力を示している。
論文参考訳（メタデータ） (2024-07-08T04:54:42Z)
On the Road to Clarity: Exploring Explainable AI for World Models in a Driver Assistance System [3.13366804259509]
我々は畳み込み変分オートエンコーダ(VAE)のための透明なバックボーンモデルを構築した。本稿では,予測ネットワークの内部力学と特徴関連性に関する説明と評価手法を提案する。本稿では,都市交通状況における歩行者の認識を予測したVAE-LSTM世界モデルの解析により,提案手法を実証する。
論文参考訳（メタデータ） (2024-04-26T11:57:17Z)
LC-LLM: Explainable Lane-Change Intention and Trajectory Predictions with Large Language Models [8.624969693477448]
既存の動き予測手法は、特に長期予測精度と解釈可能性の観点から、改善の余地が十分にある。本稿では,大規模言語モデルの強い推論能力と自己説明能力を活用する,説明可能なレーン変更予測モデルLC-LLMを提案する。
論文参考訳（メタデータ） (2024-03-27T08:34:55Z)
Towards Safe and Reliable Autonomous Driving: Dynamic Occupancy Set Prediction [12.336412741837407]
本研究は,高度軌跡予測ネットワークとDOS予測モジュールを効果的に組み合わせた,DOS予測のための新しい手法を提案する。本研究の革新的な貢献は、複雑なシナリオをナビゲートするための新しいDOS予測モデルの開発である。
論文参考訳（メタデータ） (2024-02-29T17:36:39Z)
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)
Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文参考訳（メタデータ） (2022-03-09T21:08:47Z)
Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文参考訳（メタデータ） (2021-10-22T15:25:14Z)
Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文参考訳（メタデータ） (2021-07-02T10:11:51Z)
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)
A Multi-Modal States based Vehicle Descriptor and Dilated Convolutional Social Pooling for Vehicle Trajectory Prediction [3.131740922192114]
本稿では,この問題を解決するために,拡張畳み込み社会プーリング(VD+DCS-LSTM)を用いた車両記述子に基づくLSTMモデルを提案する。各車両のマルチモーダル状態情報がモデル入力として使用される。モデル全体の妥当性はNGSIM US-101とI-80データセットで検証された。
論文参考訳（メタデータ） (2020-03-07T01:23:20Z)

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。