論文の概要: Learning Representation for Anomaly Detection of Vehicle Trajectories
- arxiv url: http://arxiv.org/abs/2303.05000v1
- Date: Thu, 9 Mar 2023 02:48:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 16:22:56.739938
- Title: Learning Representation for Anomaly Detection of Vehicle Trajectories
- Title（参考訳）: 車両軌道の異常検出のための学習表現
- Authors: Ruochen Jiao, Juyang Bai, Xiangguo Liu, Takami Sato, Xiaowei Yuan, Qi
Alfred Chen and Qi Zhu
- Abstract要約: 周囲の車両の将来の軌跡をその歴史に基づいて予測することは、自動運転における重要な課題である。
小型の摂動は、エゴの将来の軌道予測モジュールを著しく誤解させる可能性がある。
本稿では,車両軌道のオンライン異常検出のための,効率的かつ効率的な表現を学習するための2つの新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 15.20257956793474
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the future trajectories of surrounding vehicles based on their
history trajectories is a critical task in autonomous driving. However, when
small crafted perturbations are introduced to those history trajectories, the
resulting anomalous (or adversarial) trajectories can significantly mislead the
future trajectory prediction module of the ego vehicle, which may result in
unsafe planning and even fatal accidents. Therefore, it is of great importance
to detect such anomalous trajectories of the surrounding vehicles for system
safety, but few works have addressed this issue. In this work, we propose two
novel methods for learning effective and efficient representations for online
anomaly detection of vehicle trajectories. Different from general time-series
anomaly detection, anomalous vehicle trajectory detection deals with much
richer contexts on the road and fewer observable patterns on the anomalous
trajectories themselves. To address these challenges, our methods exploit
contrastive learning techniques and trajectory semantics to capture the
patterns underlying the driving scenarios for effective anomaly detection under
supervised and unsupervised settings, respectively. We conduct extensive
experiments to demonstrate that our supervised method based on contrastive
learning and unsupervised method based on reconstruction with semantic latent
space can significantly improve the performance of anomalous trajectory
detection in their corresponding settings over various baseline methods. We
also demonstrate our methods' generalization ability to detect unseen patterns
of anomalies.
- Abstract（参考訳）: 走行履歴に基づく周辺車両の将来の軌道予測は、自動運転において重要な課題である。
しかしながら、これらの歴史軌道に小さな工芸的な摂動が導入された場合、結果として生じる異常(または逆行)軌道は、エゴ車両の将来の軌道予測モジュールを著しく誤解させ、安全でない計画や致命的な事故を引き起こす可能性がある。
そのため、周囲の車両の異常な軌跡をシステム安全のために検出することが重要であるが、この問題に対処する研究は少ない。
本研究では,車両軌道のオンライン異常検出のための効率的かつ効率的な表現を学習するための2つの新しい手法を提案する。
一般の時系列異常検出とは異なり、異常な車両軌道検出は道路上のより豊かな状況と異常な軌道自体の観測可能なパターンを扱う。
これらの課題に対処するため,本手法では,コントラスト学習手法と軌道意味論を用いて運転シナリオの基礎となるパターンを捉え,教師なし設定と教師なし設定で効果的な異常検出を行う。
比較学習に基づく教師あり手法と,意味的潜在空間による再構成に基づく教師なし手法を併用することで,様々なベースライン手法を用いた異常軌道検出の性能を大幅に向上できることを示す。
また,異常なパターンを検出する手法の一般化能力を実証する。
関連論文リスト
- Context-Aware Trajectory Anomaly Detection [12.572145062501356]
軌道異常検出は都市・人的モビリティ管理において効果的な意思決定に不可欠である。
本稿では,軌跡に関する文脈情報をモデル化するコンテキスト認識型異常検出手法を提案する。
提案手法は,エージェントIDやコンテキストPOI埋め込みなどのコンテキスト要因によって導かれる軌道再構成フレームワークに基づいている。
論文 参考訳（メタデータ） (2024-10-24T20:09:13Z) - Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles [8.398221841050349]
軌道予測は、自動運転車の周囲の障害物の動きを記述する。
本稿では,自律走行車における軌道予測におけるアウト・オブ・ディストリビューションのリアルタイム認識を確立することを目的とする。
提案手法は軽量であり, 軌道予測推定時にいつでもアウト・オブ・ディストリビューションの発生を処理できる。
論文 参考訳（メタデータ） (2024-09-25T18:43:58Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。
既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。
3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文 参考訳（メタデータ） (2024-03-20T02:58:45Z) - 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) - Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。
我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文 参考訳（メタデータ） (2023-01-12T13:10:47Z) - Semi-supervised Semantics-guided Adversarial Training for Trajectory
Prediction [15.707419899141698]
軌道予測に対する敵対的な攻撃は、将来の軌道予測を誤解させ、安全でない計画を引き起こす可能性がある。
本稿では,軌道予測のための新しい逆学習法を提案する。
本手法は、敵攻撃の影響を最大73%軽減し、他の一般的な防御方法より優れる。
論文 参考訳（メタデータ） (2022-05-27T20:50:36Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳（メタデータ） (2022-02-03T09:09:56Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - VTGNet: A Vision-based Trajectory Generation Network for Autonomous
Vehicles in Urban Environments [26.558394047144006]
模倣学習に基づく不確実性を考慮した終端軌道生成手法を開発した。
様々な気象条件や照明条件下では,ネットワークは異なる都市環境下で確実にトラジェクトリを生成することができる。
提案手法は,SOTA(State-of-the-art-to-end Control)よりもクロスシーン/プラットフォーム駆動性が向上する。
論文 参考訳（メタデータ） (2020-04-27T06:17:55Z)
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。