論文の概要: Detecting Socially Abnormal Highway Driving Behaviors via Recurrent
Graph Attention Networks
- arxiv url: http://arxiv.org/abs/2304.11513v1
- Date: Sun, 23 Apr 2023 01:32:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 18:02:00.200249
- Title: Detecting Socially Abnormal Highway Driving Behaviors via Recurrent
Graph Attention Networks
- Title（参考訳）: リカレントグラフアテンションネットワークによる道路走行行動の社会的異常検出
- Authors: Yue Hu, Yuhang Zhang, Yanbing Wang, Daniel Work
- Abstract要約: 本研究は,ハイウェイビデオ監視システムによる軌跡から異常運転行動を検出することに焦点を当てる。
本稿では,周囲の車上での走行動作を文脈的に把握できるリカレントグラフ注意ネットワークを用いたオートエンコーダを提案する。
私たちのモデルは何千もの車で大きな高速道路にスケーラブルです。
- 参考スコア（独自算出の注目度）: 4.526932450666445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rapid development of Internet of Things technologies, the next
generation traffic monitoring infrastructures are connected via the web, to aid
traffic data collection and intelligent traffic management. One of the most
important tasks in traffic is anomaly detection, since abnormal drivers can
reduce traffic efficiency and cause safety issues. This work focuses on
detecting abnormal driving behaviors from trajectories produced by highway
video surveillance systems. Most of the current abnormal driving behavior
detection methods focus on a limited category of abnormal behaviors that deal
with a single vehicle without considering vehicular interactions. In this work,
we consider the problem of detecting a variety of socially abnormal driving
behaviors, i.e., behaviors that do not conform to the behavior of other nearby
drivers. This task is complicated by the variety of vehicular interactions and
the spatial-temporal varying nature of highway traffic. To solve this problem,
we propose an autoencoder with a Recurrent Graph Attention Network that can
capture the highway driving behaviors contextualized on the surrounding cars,
and detect anomalies that deviate from learned patterns. Our model is scalable
to large freeways with thousands of cars. Experiments on data generated from
traffic simulation software show that our model is the only one that can spot
the exact vehicle conducting socially abnormal behaviors, among the
state-of-the-art anomaly detection models. We further show the performance on
real world HighD traffic dataset, where our model detects vehicles that violate
the local driving norms.
- Abstract（参考訳）: Internet of Thingsテクノロジの急速な発展に伴い、次世代のトラフィック監視インフラストラクチャはWebを介して接続され、トラフィックデータ収集とインテリジェントなトラフィック管理を支援する。
異常ドライバは、交通効率を低下させ、安全性の問題を引き起こす可能性があるため、トラフィックにおける最も重要なタスクの1つは異常検出である。
本研究は,ハイウェイビデオ監視システムによる軌跡から異常運転行動を検出することに焦点を当てる。
現在の異常運転行動検出法の多くは、車両間の相互作用を考慮せずに単一の車両に対処する異常行動の限られたカテゴリーに焦点を当てている。
そこで本研究では,近隣のドライバの行動に適合しない行動など,様々な社会的に異常な運転行動を検出する問題を考察する。
この課題は、車両間の相互作用の多様性と高速道路交通の時空間的変化によって複雑になる。
この問題を解決するために, 周辺車両の走行行動の文脈を把握し, 学習パターンから逸脱する異常を検知できるリカレントグラフ注意ネットワークを用いたオートエンコーダを提案する。
私たちのモデルは何千もの車で大きな高速道路にスケーラブルです。
交通シミュレーションソフトウェアから生成されたデータに関する実験では、最先端の異常検出モデルの中で、社会的に異常な行動を行う車両を識別できるのは、我々のモデルのみであることが示されている。
さらに、実世界のHighDトラフィックデータセットのパフォーマンスを示す。このモデルでは、ローカルな運転規範に違反している車両を検出する。
関連論文リスト
- Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。
さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。
その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-08-15T00:51:48Z) - MEDAVET: Traffic Vehicle Anomaly Detection Mechanism based on spatial
and temporal structures in vehicle traffic [2.8068840920981484]
本稿では,高速道路の交通異常を検出するために,コンピュータビジョンを用いた車両追跡をモデル化することを目的とする。
トラフィックの検出、追跡、分析のステップを開発する。
実験結果から,本手法はTrack4テストセットで許容可能であることが示された。
論文 参考訳（メタデータ） (2023-10-28T00:36:50Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。
本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。
提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - Anomaly Detection in Multi-Agent Trajectories for Automated Driving [2.5211566369910967]
人間と同様、自動走行車は異常検出を行う。
私たちの革新は、動的エージェントの複数の軌道を共同で学習する能力です。
論文 参考訳（メタデータ） (2021-10-15T08:07:31Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - METEOR: A Massive Dense & Heterogeneous Behavior Dataset for Autonomous
Driving [42.69638782267657]
本稿では、インドにおける非構造化シナリオにおけるトラフィックパターンをキャプチャする、新しい複雑なトラフィックデータセットMETEORを提案する。
METEORは1000分以上のビデオクリップと、エゴ車軌道を持つ200万以上の注釈付きフレームと、周囲の車両や交通機関のための1300万以上のバウンディングボックスで構成されている。
我々は,オブジェクト検出と行動予測アルゴリズムの性能を評価するために,新しいデータセットを用いた。
論文 参考訳（メタデータ） (2021-09-16T01:01:55Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - Improved YOLOv3 Object Classification in Intelligent Transportation
System [29.002873450422083]
高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。
モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
論文 参考訳（メタデータ） (2020-04-08T11:45:13Z)
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。