論文の概要: Trajectory Prediction with Observations of Variable-Length for Motion
Planning in Highway Merging scenarios
- arxiv url: http://arxiv.org/abs/2306.05478v1
- Date: Thu, 8 Jun 2023 18:03:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-12 15:55:11.431012
- Title: Trajectory Prediction with Observations of Variable-Length for Motion
Planning in Highway Merging scenarios
- Title（参考訳）: 道路合併シナリオにおける移動計画のための可変長観測による軌道予測
- Authors: Sajjad Mozaffari, Mreza Alipour Sormoli, Konstantinos Koufos, Graham
Lee, and Mehrdad Dianati
- Abstract要約: 既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。
本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。
2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
- 参考スコア（独自算出の注目度）: 5.193470362635256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate trajectory prediction of nearby vehicles is crucial for the safe
motion planning of automated vehicles in dynamic driving scenarios such as
highway merging. Existing methods cannot initiate prediction for a vehicle
unless observed for a fixed duration of two or more seconds. This prevents a
fast reaction by the ego vehicle to vehicles that enter its perception range,
thus creating safety concerns. Therefore, this paper proposes a novel
transformer-based trajectory prediction approach, specifically trained to
handle any observation length larger than one frame. We perform a comprehensive
evaluation of the proposed method using two large-scale highway trajectory
datasets, namely the highD and exiD. In addition, we study the impact of the
proposed prediction approach on motion planning and control tasks using
extensive merging scenarios from the exiD dataset. To the best of our
knowledge, this marks the first instance where such a large-scale highway
merging dataset has been employed for this purpose. The results demonstrate
that the prediction model achieves state-of-the-art performance on highD
dataset and maintains lower prediction error w.r.t. the constant velocity
across all observation lengths in exiD. Moreover, it significantly enhances
safety, comfort, and efficiency in dense traffic scenarios, as compared to the
constant velocity model.
- Abstract（参考訳）: 高速道路の合流などの動的運転シナリオにおいて, 車両の正確な軌道予測は, 車両の安全な走行計画に不可欠である。
既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。
これにより、認識範囲に入る車両に対するエゴ車による迅速な反応が防止され、安全上の懸念が生じる。
そこで本論文では,新しい変圧器を用いた軌道予測手法を提案する。
本稿では,2つの大規模高速道路軌道データセット,すなわち HighD と exiD を用いて提案手法の総合評価を行う。
さらに,提案手法が運動計画および制御タスクに与える影響を,exiDデータセットからの広範囲な統合シナリオを用いて検討した。
私たちの知る限りでは、このような大規模な高速道路統合データセットがこの目的に採用された最初の事例である。
その結果、予測モデルは高次元データセット上での最先端性能を達成し、 exiD における全ての観測時間における一定速度の低い予測誤差を維持することを示した。
さらに、一定の速度モデルと比較して、密集交通シナリオの安全性、快適性、効率性を著しく向上させる。
関連論文リスト
- A Novel Deep Neural Network for Trajectory Prediction in Automated
Vehicles Using Velocity Vector Field [12.067838086415833]
本稿では,データ駆動学習に基づく手法と,自然に着想を得た概念から生成された速度ベクトル場(VVF)を組み合わせた軌道予測手法を提案する。
精度は、正確な軌道予測のための過去の観測の長い歴史の要求を緩和する観測窓の減少と一致している。
論文 参考訳（メタデータ） (2023-09-19T22:14:52Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳（メタデータ） (2022-09-19T03:34:59Z) - Early Lane Change Prediction for Automated Driving Systems Using
Multi-Task Attention-based Convolutional Neural Networks [8.60064151720158]
レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。
自動走行システムの 安全で快適な運転には 確実な予測が不可欠だ
本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
論文 参考訳（メタデータ） (2021-09-22T13:59:27Z) - Self-Supervised Action-Space Prediction for Automated Driving [0.0]
本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。
学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。
提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
論文 参考訳（メタデータ） (2021-09-21T08:27:56Z) - 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 Learning with Attention Mechanism for Predicting Driver Intention
at Intersection [2.1699196439348265]
提案手法は、高度運転支援システム(ADAS)および自動運転車のアクティブ安全システムの一部として適用されることを約束している。
提案手法の性能評価を行い,本手法が他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-10T16:12:00Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Action Sequence Predictions of Vehicles in Urban Environments using Map
and Social Context [152.0714518512966]
本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。
最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。
第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。
第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
論文 参考訳（メタデータ） (2020-04-29T14:59:58Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z)
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。