論文の概要: Deep Learning-Based Vehicle Speed Prediction for Ecological Adaptive
Cruise Control in Urban and Highway Scenarios
- arxiv url: http://arxiv.org/abs/2212.00149v1
- Date: Wed, 30 Nov 2022 22:50:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 17:50:58.537442
- Title: Deep Learning-Based Vehicle Speed Prediction for Ecological Adaptive
Cruise Control in Urban and Highway Scenarios
- Title（参考訳）: 都市・高速道路シナリオにおける環境適応クルーズ制御のための深層学習に基づく車両速度予測
- Authors: Sai Krishna Chada, Daniel G\"orges, Achim Ebert, Roman Teutsch
- Abstract要約: 典型的な自動車追従シナリオでは、目標車両の速度変動はホスト車両の外部障害として作用し、そのエネルギー消費に影響を与える。
本研究では,長寿命メモリ(LSTM)とゲートリカレントユニット(GRU)を用いたディープリカレントニューラルネットワークに基づく車両速度予測について検討した。
提案した速度予測モデルは、目標車両の将来の速度の長期予測(最大10秒)に対して評価される。
- 参考スコア（独自算出の注目度）: 0.5161531917413706
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In a typical car-following scenario, target vehicle speed fluctuations act as
an external disturbance to the host vehicle and in turn affect its energy
consumption. To control a host vehicle in an energy-efficient manner using
model predictive control (MPC), and moreover, enhance the performance of an
ecological adaptive cruise control (EACC) strategy, forecasting the future
velocities of a target vehicle is essential. For this purpose, a deep recurrent
neural network-based vehicle speed prediction using long-short term memory
(LSTM) and gated recurrent units (GRU) is studied in this work. Besides these,
the physics-based constant velocity (CV) and constant acceleration (CA) models
are discussed. The sequential time series data for training (e.g. speed
trajectories of the target and its preceding vehicles obtained through
vehicle-to-vehicle (V2V) communication, road speed limits, traffic light
current and future phases collected using vehicle-to-infrastructure (V2I)
communication) is gathered from both urban and highway networks created in the
microscopic traffic simulator SUMO. The proposed speed prediction models are
evaluated for long-term predictions (up to 10 s) of target vehicle future
velocities. Moreover, the results revealed that the LSTM-based speed predictor
outperformed other models in terms of achieving better prediction accuracy on
unseen test datasets, and thereby showcasing better generalization ability.
Furthermore, the performance of EACC-equipped host car on the predicted
velocities is evaluated, and its energy-saving benefits for different
prediction horizons are presented.
- Abstract（参考訳）: 典型的な車追従シナリオでは、目標車両の速度変動がホスト車両の外部障害となり、そのエネルギー消費に影響を及ぼす。
モデル予測制御(MPC)を用いてホスト車両をエネルギー効率よく制御し、さらに、環境適応型クルーズ制御(EACC)戦略の性能を高め、対象車両の将来速度を予測することが不可欠である。
本研究は,長寿命メモリ(LSTM)とゲートリカレントユニット(GRU)を用いたディープリカレントニューラルネットワークに基づく車両速度予測について検討した。
これらに加えて、物理に基づく定速度(CV)と定加速度(CA)モデルについて議論した。
微視的交通シミュレータSUMOで作成した都市・高速道路ネットワークから、トレーニング用時系列データ(例えば、車両間通信(V2V)、道路速度制限、車両間通信(V2I)を用いて収集された目標及び先行車両の速度軌跡)を収集する。
提案する速度予測モデルは、目標車両の将来速度の長期予測(最大10秒)のために評価される。
さらに,lstmをベースとする速度予測器は他のモデルよりも精度のよいテストデータセット上での予測精度が向上し,一般化能力も向上した。
さらに、予測速度に対するeacc搭載ホストカーの性能を評価し、その省エネ効果を予測の地平線で示した。
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) - 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) - Trajectory Prediction with Observations of Variable-Length for Motion
Planning in Highway Merging scenarios [5.193470362635256]
既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。
本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。
2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
論文 参考訳（メタデータ） (2023-06-08T18:03:48Z) - LSTM-based Preceding Vehicle Behaviour Prediction during Aggressive Lane
Change for ACC Application [4.693170687870612]
本稿では,Long Short-Term Memory(LSTM)に基づく適応クルーズ制御(ACC)システムを提案する。
このモデルは、カメラを装備したドローンの助けを借りて、ドイツの高速道路から取得した現実世界の高Dデータセットに基づいて構築されている。
LSTMに基づくシステムは,ANNモデルよりも19.25%精度が高く,MPCモデルよりも5.9%精度が高いことを示す。
論文 参考訳（メタデータ） (2023-05-01T21:33:40Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳（メタデータ） (2022-09-19T03:34:59Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Predicting Vehicles' Longitudinal Trajectories and Lane Changes on
Highway On-Ramps [2.580765958706854]
高速道路のオンランプの車両は渋滞の主要な要因の1つだ。
高速道路における車両の縦方向の軌跡と車線変化(LC)を予測するための予測フレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-23T20:38:37Z) - Vision-based Vehicle Speed Estimation for ITS: A Survey [0.47248250311484113]
近年は世界中に設置されるスピードカメラの数が増えている。
道路網における交通監視と予測は, スマートシティにおける交通, 排出, エネルギー消費の促進に不可欠な役割を担っている。
ビジョンベースのシステムの使用は、解決すべき大きな課題をもたらしますが、潜在的な大きな利点もあります。
論文 参考訳（メタデータ） (2021-01-15T15:07:54Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z) - End-to-End Vision-Based Adaptive Cruise Control (ACC) Using Deep
Reinforcement Learning [12.100265694989627]
本稿では,Double Deep Q-networksという深層強化学習手法を提案し,エンドツーエンドの視覚ベースの適応クルーズ制御(ACC)システムを設計した。
強化学習モデルでは, 後続距離とスロットル/ブレーキ力に付随するよく設計された報酬関数が実装された。
提案システムは, 先行車両の異なる速度軌跡に適応し, リアルタイムに動作可能である。
論文 参考訳（メタデータ） (2020-01-24T20:02:50Z)
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。