論文の概要: Self-Aware Trajectory Prediction for Safe Autonomous Driving
- arxiv url: http://arxiv.org/abs/2305.09147v1
- Date: Tue, 16 May 2023 03:53:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 16:23:59.376815
- Title: Self-Aware Trajectory Prediction for Safe Autonomous Driving
- Title(参考訳): 安全自動運転のための自己認識軌道予測
- Authors: Wenbo Shao, Jun Li, Hong Wang
- Abstract要約: 軌道予測は、自動運転ソフトウェアスタックの重要なコンポーネントの1つである。
本稿では,自己認識軌道予測手法を提案する。
提案手法は, 自己認識, メモリフットプリント, リアルタイム性能で良好に動作した。
- 参考スコア(独自算出の注目度): 9.868681330733764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory prediction is one of the key components of the autonomous driving
software stack. Accurate prediction for the future movement of surrounding
traffic participants is an important prerequisite for ensuring the driving
efficiency and safety of intelligent vehicles. Trajectory prediction algorithms
based on artificial intelligence have been widely studied and applied in recent
years and have achieved remarkable results. However, complex artificial
intelligence models are uncertain and difficult to explain, so they may face
unintended failures when applied in the real world. In this paper, a self-aware
trajectory prediction method is proposed. By introducing a self-awareness
module and a two-stage training process, the original trajectory prediction
module's performance is estimated online, to facilitate the system to deal with
the possible scenario of insufficient prediction function in time, and create
conditions for the realization of safe and reliable autonomous driving.
Comprehensive experiments and analysis are performed, and the proposed method
performed well in terms of self-awareness, memory footprint, and real-time
performance, showing that it may serve as a promising paradigm for safe
autonomous driving.
- Abstract(参考訳): 軌道予測は自動運転ソフトウェアスタックの重要なコンポーネントの1つである。
知的車両の運転効率と安全性を確保するためには,周辺交通参加者の将来行動の正確な予測が重要な前提条件である。
近年、人工知能に基づく軌道予測アルゴリズムが広く研究され、応用され、驚くべき結果が得られた。
しかし、複雑な人工知能モデルは不確かで説明が難しいため、現実の世界に当てはまると意図しない失敗に直面する可能性がある。
本稿では,自己認識軌道予測手法を提案する。
自己認識モジュールと2段階のトレーニングプロセスを導入することで、元の軌道予測モジュールのパフォーマンスをオンラインで推定し、システムが時間内に不十分な予測関数のシナリオに対処し、安全で信頼性の高い自動運転を実現するための条件を作成する。
総合的な実験と解析を行い,提案手法は自己認識,メモリフットプリント,リアルタイム性能の面で良好に動作し,安全な自動運転のための有望なパラダイムとして機能することを示した。
関連論文リスト
- BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳(メタデータ) (2023-12-11T13:27:51Z) - KI-PMF: Knowledge Integrated Plausible Motion Forecasting [5.012314384895538]
現在の軌道予測手法は、主に特定の計量で損失関数を最適化することに集中している。
我々の目的は、車両の運動的制約の双方に応じて、ネットワークが将来の軌跡を予測できる明示的な知識事前を組み込むことである。
提案手法は,複雑な状況と動的状況の両方において,交通アクタの到達可能性を保証するように設計されている。
論文 参考訳(メタデータ) (2023-10-18T14:40:52Z) - Rethinking Integration of Prediction and Planning in Deep Learning-Based
Automated Driving Systems: A Review [62.997667081978825]
最近の研究は、安全で効率的で快適な運転を実現するためには、相互依存のジョイントステップにおける予測と計画の統合が必要であることを示唆している。
我々は、最先端のディープラーニングベースの予測、計画、統合予測と計画モデルについて体系的にレビューする。
論文 参考訳(メタデータ) (2023-08-10T17:53:03Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - Safe Real-World Autonomous Driving by Learning to Predict and Plan with
a Mixture of Experts [3.2230833657560503]
我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。
推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。
都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
論文 参考訳(メタデータ) (2022-11-03T20:16:24Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳(メタデータ) (2021-09-03T13:33:33Z) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳(メタデータ) (2021-01-18T01:43:36Z) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳(メタデータ) (2020-03-25T16:09:54Z) - CARPAL: Confidence-Aware Intent Recognition for Parallel Autonomy [24.358828325716427]
本稿では,確率的ドライバ軌道だけでなく,下流タスクの予測に付随する実用統計も予測する,新しいマルチタスク意図認識ニューラルネットワークを提案する。
我々は,現実的な都市運転データセット上でオンラインシステムをテストし,基準手法と比較して,リコールとフォールアウトの指標でその利点を実証する。
論文 参考訳(メタデータ) (2020-03-18T01:25:06Z)
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。