Fugu-MT 論文翻訳(概要): A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive Cruise Control Systems

論文の概要: A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive Cruise Control Systems

arxiv url: http://arxiv.org/abs/2305.01096v1
Date: Mon, 1 May 2023 21:40:23 GMT
ステータス: 処理完了
システム内更新日: 2023-05-03 16:00:38.749548
Title: A Novel Model for Driver Lane Change Prediction in Cooperative Adaptive Cruise Control Systems
Title（参考訳）: 協調型適応型クルーズ制御システムにおけるドライバレーン変更予測の新しいモデル
Authors: Armin Nejadhossein Qasemabadi, Saeed Mozaffari, Mahdi Rezaei, Majid Ahmadi, Shahpour Alirezaee
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.296090907951611
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate lane change prediction can reduce potential accidents and contribute to higher road safety. Adaptive cruise control (ACC), lane departure avoidance (LDA), and lane keeping assistance (LKA) are some conventional modules in advanced driver assistance systems (ADAS). Thanks to vehicle-to-vehicle communication (V2V), vehicles can share traffic information with surrounding vehicles, enabling cooperative adaptive cruise control (CACC). While ACC relies on the vehicle's sensors to obtain the position and velocity of the leading vehicle, CACC also has access to the acceleration of multiple vehicles through V2V communication. This paper compares the type of information (position, velocity, acceleration) and the number of surrounding vehicles for driver lane change prediction. We trained an LSTM (Long Short-Term Memory) on the HighD dataset to predict lane change intention. Results indicate a significant improvement in accuracy with an increase in the number of surrounding vehicles and the information received from them. Specifically, the proposed model can predict the ego vehicle lane change with 59.15% and 92.43% accuracy in ACC and CACC scenarios, respectively.
Abstract（参考訳）: 正確な車線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。アダプティブ・クルーズ・コントロール(ACC)、車線離脱回避(LDA)、車線維持支援(LKA)は、先進運転支援システム(ADAS)の一般的なモジュールである。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、協調型クルーズ制御(CACC)が可能である。 ACCは車両の位置と速度を得るために車両のセンサーに依存しているが、CACCはV2V通信を通じて複数の車両の加速にアクセスできる。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。我々は,高Dデータセット上でLSTM(Long Short-Term Memory)をトレーニングし,車線変化の意図を予測する。その結果、周囲の車両数の増加と受信した情報により精度が大幅に向上したことが示唆された。特に,提案モデルでは,ACCおよびCACCシナリオにおいて,59.15%,92.43%の精度で車線変化を予測できる。

関連論文リスト

MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文参考訳（メタデータ） (2023-10-08T21:32:30Z)
DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文参考訳（メタデータ） (2023-06-13T05:58:57Z)
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)
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)
SAINT-ACC: Safety-Aware Intelligent Adaptive Cruise Control for Autonomous Vehicles Using Deep Reinforcement Learning [17.412117389855226]
SAINT-ACC:Setyaf-Aware Intelligent ACC system (SAINT-ACC) は、交通効率、運転安全性、運転快適性の同時最適化を実現するために設計された。交通効率と運転安全・快適性の最適バランスを求めるために,新しい二重RLエージェントベースアプローチを開発した。
論文参考訳（メタデータ） (2021-03-06T14:01:29Z)
V2VNet: Vehicle-to-Vehicle Communication for Joint Perception and Prediction [74.42961817119283]
車両間通信(V2V)を用いて、自動運転車の知覚と運動予測性能を向上させる。複数の車両から受信した情報をインテリジェントに集約することで、異なる視点から同じシーンを観察することができる。
論文参考訳（メタデータ） (2020-08-17T17:58:26Z)
Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文参考訳（メタデータ） (2020-06-20T11:56:32Z)
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。