Fugu-MT 論文翻訳(概要): LSTM-based Preceding Vehicle Behaviour Prediction during Aggressive Lane Change for ACC Application

論文の概要: LSTM-based Preceding Vehicle Behaviour Prediction during Aggressive Lane Change for ACC Application

arxiv url: http://arxiv.org/abs/2305.01095v1
Date: Mon, 1 May 2023 21:33:40 GMT
ステータス: 処理完了
システム内更新日: 2023-05-03 16:13:01.441769
Title: LSTM-based Preceding Vehicle Behaviour Prediction during Aggressive Lane Change for ACC Application
Title（参考訳）: LSTMを用いたACC用攻撃車線変化時の先行車両挙動予測
Authors: Rajmeet Singh, Saeed Mozaffari, Mehdi Rezaei, Shahpour Alirezaee
Abstract要約: 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。
参考スコア（独自算出の注目度）: 8.048166434189522
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The development of Adaptive Cruise Control (ACC) systems aims to enhance the safety and comfort of vehicles by automatically regulating the speed of the vehicle to ensure a safe gap from the preceding vehicle. However, conventional ACC systems are unable to adapt themselves to changing driving conditions and drivers' behavior. To address this limitation, we propose a Long Short-Term Memory (LSTM) based ACC system that can learn from past driving experiences and adapt and predict new situations in real time. The model is constructed based on the real-world highD dataset, acquired from German highways with the assistance of camera-equipped drones. We evaluated the ACC system under aggressive lane changes when the side lane preceding vehicle cut off, forcing the targeted driver to reduce speed. To this end, the proposed system was assessed on a simulated driving environment and compared with a feedforward Artificial Neural Network (ANN) model and Model Predictive Control (MPC) model. The results show that the LSTM-based system is 19.25% more accurate than the ANN model and 5.9% more accurate than the MPC model in terms of predicting future values of subject vehicle acceleration. The simulation is done in Matlab/Simulink environment.
Abstract（参考訳）: アダプティブ・クルーズ・コントロール(ACC)システムの開発は、車両の速度を自動制御して車両の安全と快適性を高めることを目的としている。しかし、従来のaccシステムは運転条件の変化や運転者の行動に適応できない。この制限に対処するために,過去の運転経験から学習し,新しい状況をリアルタイムで予測できるLong Short-Term Memory (LSTM)ベースのACCシステムを提案する。このモデルは、カメラ付き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highdデータセットに基づいて構築されている。車両の前車線が遮断された場合, 攻撃的な車線変化下でのACCシステムの評価を行い, 目標ドライバの速度低下を強制した。この目的のために,提案システムはシミュレーション運転環境を用いて評価し,フィードフォワードニューラルネットワーク(ANN)モデルとモデル予測制御(MPC)モデルと比較した。その結果,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%精度が高いことがわかった。シミュレーションはMatlab/Simulink環境で行われる。

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)
EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
本研究では,データ駆動型自動車追従モデルを提案する。本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
論文参考訳（メタデータ） (2024-06-23T15:04:07Z)
Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文参考訳（メタデータ） (2024-06-15T18:53:45Z)
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)
A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive Cruise Control Systems [4.296090907951611]
レーン変更予測は潜在的な事故を減らし、道路安全の向上に寄与する。車両間通信(V2V)により、車両は周囲の車両と交通情報を共有できる。本稿では,運転車線変更予測のための情報(位置,速度,加速度)の種類と周辺車両数を比較した。
論文参考訳（メタデータ） (2023-05-01T21:40:23Z)
Deep Learning-Based Vehicle Speed Prediction for Ecological Adaptive Cruise Control in Urban and Highway Scenarios [0.5161531917413706]
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。
論文参考訳（メタデータ） (2022-11-30T22:50:43Z)
Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文参考訳（メタデータ） (2022-10-31T20:12:17Z)
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)
Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文参考訳（メタデータ） (2021-10-22T15:25:14Z)
D-ACC: Dynamic Adaptive Cruise Control for Highways with Ramps Based on Deep Q-Learning [17.412117389855226]
深層強化学習に基づく動的適応型クルーズ制御システム(D-ACC)を提案する。 D-ACCは、ランプのあるハイウェイセグメントにおける最先端のインテリジェントACCシステムと比較して、トラフィックフローを最大70%改善する。
論文参考訳（メタデータ） (2020-06-02T06:28:15Z)
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。