論文の概要: Behavioral Intention Prediction in Driving Scenes: A Survey

• arxiv url: http://arxiv.org/abs/2211.00385v2
• Date: Wed, 2 Nov 2022 03:02:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 11:51:12.005386
• Title: Behavioral Intention Prediction in Driving Scenes: A Survey
• Title（参考訳）: 運転場面における行動意図予測 : アンケート調査
• Authors: Jianwu Fang, Fan Wang, Peining Shen, Zhedong Zheng, Jianru Xue, and Tat-seng Chua
• Abstract要約: 行動意図予測(BIP)とは、人間の思考過程をシミュレートし、特定の行動の開始時刻を予測することである。 本研究では, 軌道予測, 行動予測, 事故予測などのBIP条件付き予測タスクに着目した。
• 参考スコア（独自算出の注目度）: 82.63870770815564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the driving scene, the road participants usually show frequent interaction and intention understanding with the surrounding. Ego-agent (each road participant itself) conducts the prediction of what behavior will be done by other road users all the time and expects a shared and consistent understanding. For instance, we need to predict the next movement of other road users and expect a consistent joint action to avoid unexpected accident. Behavioral Intention Prediction (BIP) is to simulate such a human consideration process and fulfill the beginning time prediction of specific behaviors. It provides an earlier signal promptly than the specific behaviors for whether the surrounding road participants will present specific behavior (crossing, overtaking, and turning, etc.) in near future or not. More and more works in BIP are based on deep learning models to take advantage of big data, and focus on developing effective inference approaches (e.g., explainable inference, cross-modality fusion, and simulation augmentation). Therefore, in this work, we focus on BIP-conditioned prediction tasks, including trajectory prediction, behavior prediction, and accident prediction and explore the differences among various works in this field. Based on this investigation and the findings, we discuss the open problems in behavioral intention prediction and propose future research directions.
• Abstract（参考訳）: 運転シーンでは、通常、道路参加者は周囲との頻繁な交流と意図の理解を示す。 エゴエージェント(各道路参加者自身)は、他の道路利用者が常に何をするのかを予測し、共有的で一貫した理解を期待します。 例えば、他の道路利用者の次の動きを予測し、予期しない事故を避けるために一貫した共同行動を期待する必要がある。 行動意図予測(BIP)とは、人間の思考過程をシミュレートし、特定の行動の開始時刻を予測することである。 これは、周辺の道路参加者が近い将来に特定の行動(横断、越路、旋回など)を提示するかどうかについて、特定の行動よりも早期に信号を提供する。 bipの作業は、ビッグデータを活用するためのディープラーニングモデルに基づいて、効果的な推論アプローチ(説明可能な推論、クロスモダリティ融合、シミュレーション拡張など)の開発に重点を置いている。 そこで本研究では, 軌道予測, 行動予測, 事故予測などのBIP条件付き予測タスクに着目し, この分野における様々な作業の差異について検討する。 本研究と知見に基づき,行動意図予測におけるオープンな問題について議論し,今後の研究方向性を提案する。

関連論文リスト

• RAG-based Explainable Prediction of Road Users Behaviors for Automated Driving using Knowledge Graphs and Large Language Models [8.253092044813595]
  本稿では,知識グラフと大規模言語モデルの推論能力を統合した,道路利用者の行動予測システムを提案する。 1)歩行者の横断行動の予測,2)車線変更操作の予測。
  論文  参考訳（メタデータ） (2024-05-01T11:06:31Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information [50.40632021583213]
  道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。 この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。 この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
  論文  参考訳（メタデータ） (2023-01-06T15:13:23Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features [1.1888947789336193]
  システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。 人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。 複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:52:49Z)
• The PREVENTION Challenge: How Good Are Humans Predicting Lane Changes? [0.0]
  本稿では,高速道路のシナリオにおける車線変化を予測する能力について分析する。 ユーザーは車線変更操作が行われていると考えた瞬間を示す必要がありました。 得られた結果は慎重に分析され、地上の真理ラベルと比較された。
  論文  参考訳（メタデータ） (2020-09-11T10:47:07Z)
• Towards Incorporating Contextual Knowledge into the Prediction of Driving Behavior [5.345872343035626]
  外部条件による予測の影響について検討する。 より正確には、横方向の動作予測に対する最先端のアプローチが、ある選択された外部条件、すなわち交通密度の影響について検討する。 本研究は,自動走行車への情報統合に向けた第一歩となる。
  論文  参考訳（メタデータ） (2020-06-15T15:21:02Z)
• Pedestrian Action Anticipation using Contextual Feature Fusion in Stacked RNNs [19.13270454742958]
  交差点における歩行者行動予測問題の解法を提案する。 提案手法では,シーン動的・視覚的特徴の両面から収集した情報を徐々にネットワークに融合する新しいRNNアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2020-05-13T20:59:37Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。