論文の概要: Lane Change Intention Recognition and Vehicle Status Prediction for Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2304.13732v2
• Date: Wed, 19 Jul 2023 18:18:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 18:07:04.730681
• Title: Lane Change Intention Recognition and Vehicle Status Prediction for Autonomous Vehicles
• Title（参考訳）: 自動運転車の車線変更意図認識と車両状態予測
• Authors: Renteng Yuan, Mohamed Abdel-Aty, Xin Gu, Ou Zheng, Qiaojun Xiang
• Abstract要約: レーン変更プロセスは、自動運転車が周囲の環境をよりよく理解し、潜在的な安全リスクを認識し、交通安全を改善するのに役立つ。 本稿では,LCの意図を認識するための注意機構を備えた時間的畳み込みネットワークを最初に開発したLCプロセスに焦点を当てる。 出力変数間の本質的な関係を考慮すると、マルチタスク学習(MTL)フレームワークは複数のLC車両ステータスインジケータを同時に予測するために使用される。
• 参考スコア（独自算出の注目度）: 0.47248250311484113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately detecting and predicting lane change (LC)processes of human-driven vehicles can help autonomous vehicles better understand their surrounding environment, recognize potential safety hazards, and improve traffic safety. This paper focuses on LC processes, first developing a temporal convolutional network with an attention mechanism (TCN-ATM) model to recognize LC intention. Considering the intrinsic relationship among output variables, the Multi-task Learning (MTL)framework is employed to simultaneously predict multiple LC vehicle status indicators. Furthermore, a unified modeling framework for LC intention recognition and driving status prediction (LC-IR-SP) is developed. The results indicate that the classification accuracy of LC intention was improved from 96.14% to 98.20% when incorporating the attention mechanism into the TCN model. For LC vehicle status prediction issues, three multi-tasking learning models are constructed based on MTL framework. The results indicate that the MTL-LSTM model outperforms the MTL-TCN and MTL-TCN-ATM models. Compared to the corresponding single-task model, the MTL-LSTM model demonstrates an average decrease of 26.04% in MAE and 25.19% in RMSE.
• Abstract（参考訳）: 人間の運転する車両の車線変更(LC)プロセスの正確な検出と予測は、自動運転車が周囲の環境をよりよく理解し、潜在的な安全リスクを認識し、交通安全を改善するのに役立つ。 本稿では,まず,LCの意図を認識するための注意機構(TCN-ATM)モデルを用いた時間畳み込みネットワークを開発する。 出力変数間の本質的な関係を考慮すると、マルチタスク学習(MTL)フレームワークを使用して複数のLC車両ステータスインジケータを同時に予測する。 さらに,LC意図認識・駆動状態予測(LC-IR-SP)のための統合モデリングフレームワークを開発した。 その結果,注意機構をTCNモデルに組み込んだ場合,LC意図の分類精度は96.14%から98.20%に向上した。 LC車両のステータス予測問題では,MLLフレームワークに基づいて3つのマルチタスク学習モデルを構築した。 その結果, MTL-LSTM モデルは MTL-TCN および MTL-TCN-ATM モデルよりも優れていた。 MTL-LSTMモデルは、対応するシングルタスクモデルと比較して、MAEでは26.04%、RMSEでは25.19%の平均的な減少を示している。

関連論文リスト

• Large Language Models (LLMs) as Traffic Control Systems at Urban Intersections: A New Paradigm [5.233512464561313]
  本研究では,Large Language Models (LLM) をトラヒックコントローラとして利用することで,トラヒック制御システムに新たなアプローチを提案する。 この研究は、論理的推論、シーン理解、意思決定能力を利用してスループットを最適化し、リアルタイムで交通状況に基づいたフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-11-16T19:23:52Z)
• 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)
• LC-LLM: Explainable Lane-Change Intention and Trajectory Predictions with Large Language Models [8.624969693477448]
  既存の動き予測手法は、特に長期予測精度と解釈可能性の観点から、改善の余地が十分にある。 本稿では,大規模言語モデルの強い推論能力と自己説明能力を活用する,説明可能なレーン変更予測モデルLC-LLMを提案する。
  論文  参考訳（メタデータ） (2024-03-27T08:34:55Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Hybrid PLS-ML Authentication Scheme for V2I Communication Networks [0.0]
  本稿では,送信機の位置をデバイス指紋として利用して,PLS(Hybrid physical Layer Security)-machine Learning (ML)認証手法を提案する。 我々は、ToAを道路側ユニット(RSU)で推定し、基地局(BS)で送信機の座標を抽出する、ToA(Time-of-arrival)ベースのローカライゼーション機構を用いる。 移動車両の移動性を追跡するため,複数のシステムパラメータに基づいて学習したMLモデルを用いて,提案した位置ベース機構が検出に失敗した場合のベースラインスキームを著しく上回っていることを観察した。
  論文  参考訳（メタデータ） (2023-08-28T16:34:50Z)
• A Comparative Analysis of Machine Learning Methods for Lane Change Intention Recognition Using Vehicle Trajectory Data [0.0]
  車線変更予測は、自動運転車が周囲の環境をよりよく理解し、潜在的な安全リスクを認識し、交通安全を改善するのに役立つ。 本稿では,LCプロセスに着目し,異なる機械学習手法の性能を比較し,高次元時系列データからLC意図を認識する。 LC意図認識では,分類精度の98%で,アンサンブル法はII型,III型の分類誤差の影響を低減している。
  論文  参考訳（メタデータ） (2023-07-28T15:32:14Z)
• Automatic Rule Induction for Efficient Semi-Supervised Learning [56.91428251227253]
  半教師付き学習は、少量のラベル付きデータからNLPモデルを一般化できることを約束している。 事前訓練されたトランスモデルはブラックボックス相関エンジンとして機能し、説明が困難であり、時には信頼性に欠ける振る舞いをする。 本稿では,これらの課題に,簡易かつ汎用的なフレームワークであるAutomatic Rule Injection (ARI) を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2022-05-18T16:50:20Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)
• A Multi-Modal States based Vehicle Descriptor and Dilated Convolutional Social Pooling for Vehicle Trajectory Prediction [3.131740922192114]
  本稿では,この問題を解決するために,拡張畳み込み社会プーリング(VD+DCS-LSTM)を用いた車両記述子に基づくLSTMモデルを提案する。 各車両のマルチモーダル状態情報がモデル入力として使用される。 モデル全体の妥当性はNGSIM US-101とI-80データセットで検証された。
  論文  参考訳（メタデータ） (2020-03-07T01:23:20Z)

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。