論文の概要: Space, Time, and Interaction: A Taxonomy of Corner Cases in Trajectory
Datasets for Automated Driving
- arxiv url: http://arxiv.org/abs/2210.08885v1
- Date: Mon, 17 Oct 2022 09:27:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 20:49:13.902707
- Title: Space, Time, and Interaction: A Taxonomy of Corner Cases in Trajectory
Datasets for Automated Driving
- Title（参考訳）: 空間、時間、相互作用:自動走行のための軌道データセットにおけるコーナーケースの分類法
- Authors: Kevin R\"osch, Florian Heidecker, Julian Truetsch, Kamil Kowol,
Clemens Schicktanz, Maarten Bieshaar, Bernhard Sick, Christoph Stiller
- Abstract要約: 軌道データ分析は、高度に自動化された運転に欠かせない要素である。
高度に自動化された車両(HAV)は、そのタスクを確実に安全に実行できなければならない。
異常な軌跡が生じた場合、いわゆる軌道角の場合、人間の運転手は通常うまく対処できるが、HAVはすぐにトラブルに陥る。
- 参考スコア（独自算出の注目度）: 9.119257760524782
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Trajectory data analysis is an essential component for highly automated
driving. Complex models developed with these data predict other road users'
movement and behavior patterns. Based on these predictions - and additional
contextual information such as the course of the road, (traffic) rules, and
interaction with other road users - the highly automated vehicle (HAV) must be
able to reliably and safely perform the task assigned to it, e.g., moving from
point A to B. Ideally, the HAV moves safely through its environment, just as we
would expect a human driver to do. However, if unusual trajectories occur,
so-called trajectory corner cases, a human driver can usually cope well, but an
HAV can quickly get into trouble. In the definition of trajectory corner cases,
which we provide in this work, we will consider the relevance of unusual
trajectories with respect to the task at hand. Based on this, we will also
present a taxonomy of different trajectory corner cases. The categorization of
corner cases into the taxonomy will be shown with examples and is done by cause
and required data sources. To illustrate the complexity between the machine
learning (ML) model and the corner case cause, we present a general processing
chain underlying the taxonomy.
- Abstract（参考訳）: 軌道データ解析は、高度に自動化された運転に必要な要素である。
これらのデータを用いて開発された複雑なモデルは、他の道路利用者の動きや行動パターンを予測する。
これらの予測 - 道路の進路、(交通)ルール、および他の道路利用者とのインタラクションのような追加のコンテキスト情報 - に基づいて、高度自動化された車両(hav)は、a地点からb地点に移動するなど、そのタスクを確実かつ安全に実行できなければなりません。
しかし、異常な軌跡が生じた場合、いわゆる軌道角の場合、人間の運転手は通常うまく対処できるが、HAVはすぐにトラブルに陥る。
本研究で提示する軌跡コーナーケースの定義では,手前の作業に関して異常な軌跡の関連性を検討する。
これに基づいて、異なる軌道コーナーケースの分類も提示する。
コーナーケースを分類学に分類することは、例を示し、原因と必要なデータソースによって行われる。
機械学習(ML)モデルとコーナーケース原因の複雑さを説明するために,分類の基礎となる一般的な処理チェーンを提案する。
関連論文リスト
- VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning [9.325787573209201]
軌道類似性探索は自律運転において重要な役割を果たす。
車両軌道類似度探索のためのエンドツーエンドパイプラインであるVeTraSSを提案する。
論文 参考訳（メタデータ） (2024-04-11T06:19:55Z) - 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) - Generating and Explaining Corner Cases Using Learnt Probabilistic Lane
Graphs [5.309950889075669]
本稿では,車両が走行する車線の位置と方向の有限セットを記述するために,確率的レーングラフ(PLG)を導入する。
PLGの構造は、歴史的交通データから直接学習される。
我々は、このポリシーを変更するために強化学習技術を使用し、現実的で説明可能なコーナーケースシナリオを生成する。
論文 参考訳（メタデータ） (2023-08-25T20:17:49Z) - Navigating Uncertainty: The Role of Short-Term Trajectory Prediction in
Autonomous Vehicle Safety [3.3659635625913564]
我々は,CARLAシミュレータを用いた短期軌道予測タスクのためのデータセットを開発した。
このデータセットは広く、複雑なシナリオとして、歩行者が道路を横断し、車両が乗り越える、と考えられています。
畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)を用いた終端から終端までの短期軌道予測モデルも開発されている。
論文 参考訳（メタデータ） (2023-07-11T14:28:33Z) - Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。
この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文 参考訳（メタデータ） (2022-11-01T11:07:37Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - Pedestrian Trajectory Prediction via Spatial Interaction Transformer
Network [7.150832716115448]
交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。
このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。
本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
論文 参考訳（メタデータ） (2021-12-13T13:08:04Z) - Interaction Detection Between Vehicles and Vulnerable Road Users: A Deep
Generative Approach with Attention [9.442285577226606]
交差点における相互作用検出のための条件生成モデルを提案する。
道路利用者の行動の連続性に関する膨大な映像データを自動解析することを目的としています。
モデルの有効性は実世界のデータセットでテストすることによって検証された。
論文 参考訳（メタデータ） (2021-05-09T10:03:55Z) - 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) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:40:25Z) - VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized
Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。
ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。
我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文 参考訳（メタデータ） (2020-05-08T19:07:03Z)
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。