論文の概要: FollowNet: A Comprehensive Benchmark for Car-Following Behavior Modeling
- arxiv url: http://arxiv.org/abs/2306.05381v1
- Date: Thu, 25 May 2023 08:59:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-11 13:19:32.649758
- Title: FollowNet: A Comprehensive Benchmark for Car-Following Behavior Modeling
- Title(参考訳): FollowNet: 自動車追従行動モデリングのための総合ベンチマーク
- Authors: Xianda Chen, Meixin Zhu, Kehua Chen, Pengqin Wang, Hongliang Lu, Hui
Zhong, Xu Han, Yinhai Wang
- Abstract要約: 自動車追従行動モデリングのための公開ベンチマークデータセットを構築した。
ベンチマークは、5つの公共運転データセットから抽出された80K以上のカーフォローイベントで構成されている。
以上の結果から, DDPGに基づくモデルでは, 間隔の低いMSEと競合する結果が得られた。
- 参考スコア(独自算出の注目度): 20.784555362703294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Car-following is a control process in which a following vehicle (FV) adjusts
its acceleration to keep a safe distance from the lead vehicle (LV). Recently,
there has been a booming of data-driven models that enable more accurate
modeling of car-following through real-world driving datasets. Although there
are several public datasets available, their formats are not always consistent,
making it challenging to determine the state-of-the-art models and how well a
new model performs compared to existing ones. In contrast, research fields such
as image recognition and object detection have benchmark datasets like
ImageNet, Microsoft COCO, and KITTI. To address this gap and promote the
development of microscopic traffic flow modeling, we establish a public
benchmark dataset for car-following behavior modeling. The benchmark consists
of more than 80K car-following events extracted from five public driving
datasets using the same criteria. These events cover diverse situations
including different road types, various weather conditions, and mixed traffic
flows with autonomous vehicles. Moreover, to give an overview of current
progress in car-following modeling, we implemented and tested representative
baseline models with the benchmark. Results show that the deep deterministic
policy gradient (DDPG) based model performs competitively with a lower MSE for
spacing compared to traditional intelligent driver model (IDM) and
Gazis-Herman-Rothery (GHR) models, and a smaller collision rate compared to
fully connected neural network (NN) and long short-term memory (LSTM) models in
most datasets. The established benchmark will provide researchers with
consistent data formats and metrics for cross-comparing different car-following
models, promoting the development of more accurate models. We open-source our
dataset and implementation code in
https://github.com/HKUST-DRIVE-AI-LAB/FollowNet.
- Abstract(参考訳): 車両追尾は、後続の車両(FV)がその加速を調整してリード車両(LV)から安全な距離を維持する制御過程である。
近年、現実世界の運転データセットを通した車追跡をより正確にモデリングできるデータ駆動モデルが急増している。
公開されているデータセットはいくつかあるが、そのフォーマットは常に一貫性があるわけではない。
対照的に、画像認識やオブジェクト検出などの研究分野には、ImageNet、Microsoft COCO、KITTIといったベンチマークデータセットがある。
このギャップに対処し、微視的トラフィックフローモデリングの開発を促進するため、自動車追従行動モデリングのための公開ベンチマークデータセットを構築した。
ベンチマークは、同じ基準で5つの公開運転データセットから抽出された80k以上のカーフォローイベントで構成されている。
これらのイベントは、様々な道路タイプ、様々な気象条件、自動運転車との混合交通流を含む多様な状況をカバーする。
さらに,自動車追従モデルの現状を概観するために,ベンチマークを用いて代表ベースラインモデルを実装・テストした。
その結果、DDPGベースのモデルでは、従来のインテリジェントドライバモデル(IDM)やGazis-Herman-Rothery(GHR)モデルと比較して、間隔の低いMSEと競合的に動作し、ほとんどのデータセットでは完全なニューラルネットワーク(NN)や長短短期メモリ(LSTM)モデルと比較して衝突速度が小さいことがわかった。
確立されたベンチマークは、研究者に異なるカーフォローモデルのクロス比較のための一貫したデータフォーマットとメトリクスを提供し、より正確なモデルの開発を促進する。
我々はデータセットと実装コードをhttps://github.com/HKUST-DRIVE-AI-LAB/FollowNet.comでオープンソース化しました。
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) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳(メタデータ) (2024-03-26T04:27:56Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-13T23:06:30Z) - 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) - An active inference model of car following: Advantages and applications [6.905724739762358]
ドライバープロセスモデルは、自動および自律走行車技術のテスト、検証、開発において中心的な役割を果たす。
データ駆動機械学習モデルは、ルールベースのモデルよりも能力が高いが、大規模なトレーニングデータセットの必要性と、解釈可能性の欠如によって制限されている。
本稿では,解釈可能性を維持しつつ,データ駆動モデルに匹敵する振る舞いの柔軟性を有するアクティブ推論を用いたモデリング手法を提案する。
論文 参考訳(メタデータ) (2023-03-27T13:39:26Z) - TransFollower: Long-Sequence Car-Following Trajectory Prediction through
Transformer [44.93030718234555]
本研究では,アテンションベーストランスフォーマーモデルに基づく自動車追従軌道予測モデルを提案する。
上海博物学運転研究会(SH-NDS)から抽出した実世界112,597台の乗用車追跡イベントを用いて、我々のモデルを訓練・試験する。
論文 参考訳(メタデータ) (2022-02-04T07:59:22Z) - Predicting Take-over Time for Autonomous Driving with Real-World Data:
Robust Data Augmentation, Models, and Evaluation [11.007092387379076]
我々は、運転者向けカメラビューで動作するコンピュータビジョンアルゴリズムによって作成される中高レベルの機能で動作するテイクオーバー時間(TOT)モデルを開発し、訓練する。
拡張データでサポートされたTOTモデルを用いて,遅延なく連続的なテイクオーバー時間を推定できることを示す。
論文 参考訳(メタデータ) (2021-07-27T16:39:50Z) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳(メタデータ) (2021-06-21T13:55:57Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳(メタデータ) (2021-06-21T12:28:08Z) - An LSTM-Based Autonomous Driving Model Using Waymo Open Dataset [7.151393153761375]
本稿では,短期記憶モデル(LSTM)を用いた自律走行モデルの動作を模倣する手法を提案する。
実験結果から,本モデルは動作予測においていくつかのモデルより優れることがわかった。
論文 参考訳(メタデータ) (2020-02-14T05:28:15Z)
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。