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
- 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) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - 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) - Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。
我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
論文 参考訳(メタデータ) (2022-02-10T16:46:24Z) - SFMGNet: A Physics-based Neural Network To Predict Pedestrian
Trajectories [2.862893981836593]
本稿では,歩行者の軌跡を予測する物理に基づくニューラルネットワークを提案する。
我々は、現実的な予測、予測性能、および「解釈可能性」に関するモデルを定量的に質的に評価する。
最初の結果は、合成データセットでのみ訓練されたモデルであっても、最先端の精度よりも現実的で解釈可能な軌道を予測できることを示唆している。
論文 参考訳(メタデータ) (2022-02-06T14:58:09Z) - 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) - Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural
Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。
提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文 参考訳(メタデータ) (2021-02-24T05:02:19Z) - Trajectory Prediction in Autonomous Driving with a Lane Heading
Auxiliary Loss [1.1470070927586014]
本稿では,全ての予測モードにおいて予測駆動ルールを強制することにより,軌道予測モデルを強化する損失関数を提案する。
軌道予測への我々の貢献は2倍であり、オフロードレート計量の故障事例に対処する新しい指標を提案する。
次に、この補助損失を用いて、MTP(Multiple trajectory Prediction)モデルとMultiPathモデルを拡張する。
論文 参考訳(メタデータ) (2020-11-12T22:51:25Z) - 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。