論文の概要: Predicting highway lane-changing maneuvers: A benchmark analysis of
machine and ensemble learning algorithms
- arxiv url: http://arxiv.org/abs/2204.10807v1
- Date: Wed, 20 Apr 2022 22:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 04:11:30.888627
- Title: Predicting highway lane-changing maneuvers: A benchmark analysis of
machine and ensemble learning algorithms
- Title（参考訳）: 高速道路車線変更の予測:機械とアンサンブル学習アルゴリズムのベンチマーク解析
- Authors: Basma Khelfa, Ibrahima Ba, Antoine Tordeux
- Abstract要約: 異なる機械学習とアンサンブル学習の分類手法をルールベースモデルと比較する。
速度の遅い車線から速い車線まで) と折りたたみ式の2種類の車線変更操作を予測した。
もしルールベースのモデルが、特に折りたたみの場合の予測精度に制限を与えているなら、モデリングバイアスを欠いたデータベースのアルゴリズムは、大幅な予測改善を可能にします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and predicting lane-change maneuvers on highways is essential
for driving modeling and its automation. The development of data-based
lane-changing decision-making algorithms is nowadays in full expansion. We
compare empirically in this article different machine and ensemble learning
classification techniques to the MOBIL rule-based model using trajectory data
of European two-lane highways. The analysis relies on instantaneous
measurements of up to twenty-four spatial-temporal variables with the four
neighboring vehicles on current and adjacent lanes. Preliminary descriptive
investigations by principal component and logistic analyses allow identifying
main variables intending a driver to change lanes. We predict two types of
discretionary lane-change maneuvers: Overtaking (from slow to fast lane) and
fold-down (from fast to slow lane). The prediction accuracy is quantified using
total, lane-changing and lane-keeping errors and associated receiver operating
characteristic curves. The benchmark analysis includes logistic model, linear
discriminant, decision tree, na\"ive Bayes classifier, support vector machine,
neural network machine learning algorithms, and up to ten bagging and stacking
ensemble learning meta-heuristics. If the rule-based model provides limited
predicting accuracy, especially in case of fold-down, the data-based
algorithms, devoid of modeling bias, allow significant prediction improvements.
Cross validations show that selected neural networks and stacking algorithms
allow predicting from a single observation both fold-down and overtaking
maneuvers up to four seconds in advance with high accuracy.
- Abstract（参考訳）: 高速道路の車線変更操作の理解と予測は、モデリングとその自動化に不可欠である。
データに基づく車線変更意思決定アルゴリズムの開発は、現在完全に拡張されている。
本稿では,ヨーロッパ2車線道路の軌道データを用いたモービルルールベースモデルと,異なる機械とアンサンブル学習の分類手法の比較を行った。
この分析は、現在車線と隣接車線に隣接する4台の車両で最大24個の空間-時間変数の瞬時測定に依存している。
主成分とロジスティック分析による予備的な記述的調査により、ドライバーが車線を変更することを意図した主な変数を特定できる。
我々は,遅延レーンから高速レーンへの乗っ取りと,高速レーンから低速レーンへの折り込みの2種類の裁量的レーン変更操作を予測した。
予測精度は、トータル、レーンチェンジ、レーンキーピング誤差および関連する受信機動作特性曲線を用いて定量化される。
ベンチマーク分析には、ロジスティックモデル、線形判別木、決定木、na\"ive bayes分類器、サポートベクターマシン、ニューラルネットワーク機械学習アルゴリズム、最大10のバッキングおよびスタックアンサンブル学習メタヒューリスティックが含まれる。
ルールベースモデルが、特にフォールドダウンの場合、予測精度に制限がある場合、モデリングバイアスのないデータベースアルゴリズムは、大幅な予測改善を可能にする。
クロスバリデーションは、選択されたニューラルネットワークとスタックアルゴリズムが、折りたたみ式と4秒前の操作の両方から高い精度で予測できることを示している。
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) - A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳（メタデータ） (2024-06-02T05:41:25Z) - 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) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - 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) - Driver Maneuver Detection and Analysis using Time Series Segmentation
and Classification [7.413735713939367]
本稿では,自然主義運転環境下での車両遠隔計測データから車両の操作を自動的に検出する手法を実装した。
本研究の目的は、自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのためのエンドツーエンドパイプラインを開発することである。
論文 参考訳（メタデータ） (2022-11-10T03:38:50Z) - Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks [0.0]
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。
論文 参考訳（メタデータ） (2022-03-21T02:30:36Z) - 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 model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based
Recurrent Neural Networks [0.5399800035598186]
本稿では,高速道路における周辺車両の車線変更時期を正確に予測するシステムの開発について述べる。
大規模な実世界のデータセットに基づく評価は、最も困難な状況であっても、我々のアプローチが信頼できる予測を行うことができることを示している。
論文 参考訳（メタデータ） (2021-02-02T11:04:22Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z)
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。