論文の概要: Machine Learning for Autonomous Vehicle's Trajectory Prediction: A
comprehensive survey, Challenges, and Future Research Directions
- arxiv url: http://arxiv.org/abs/2307.07527v1
- Date: Wed, 12 Jul 2023 10:20:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-23 12:16:39.097014
- Title: Machine Learning for Autonomous Vehicle's Trajectory Prediction: A
comprehensive survey, Challenges, and Future Research Directions
- Title（参考訳）: 自動運転車の軌道予測のための機械学習: 総合的な調査, 課題, 今後の研究方向
- Authors: Vibha Bharilya, Neetesh Kumar
- Abstract要約: AVの文脈における軌道予測に関する200以上の研究について検討した。
本総説では,いくつかの深層学習手法を総合的に評価する。
既存の文献の課題を特定し,潜在的研究の方向性を概説することにより,AV軌道予測領域における知識の進歩に大きく貢献する。
- 参考スコア（独自算出の注目度）: 3.655021726150368
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Autonomous Vehicles (AVs) have emerged as a promising solution by replacing
human drivers with advanced computer-aided decision-making systems. However,
for AVs to effectively navigate the road, they must possess the capability to
predict the future behavior of nearby traffic participants, similar to the
predictive driving abilities of human drivers. Building upon existing
literature is crucial to advance the field and develop a comprehensive
understanding of trajectory prediction methods in the context of automated
driving. To address this need, we have undertaken a comprehensive review that
focuses on trajectory prediction methods for AVs, with a particular emphasis on
machine learning techniques including deep learning and reinforcement
learning-based approaches. We have extensively examined over two hundred
studies related to trajectory prediction in the context of AVs. The paper
begins with an introduction to the general problem of predicting vehicle
trajectories and provides an overview of the key concepts and terminology used
throughout. After providing a brief overview of conventional methods, this
review conducts a comprehensive evaluation of several deep learning-based
techniques. Each method is summarized briefly, accompanied by a detailed
analysis of its strengths and weaknesses. The discussion further extends to
reinforcement learning-based methods. This article also examines the various
datasets and evaluation metrics that are commonly used in trajectory prediction
tasks. Encouraging an unbiased and objective discussion, we compare two major
learning processes, considering specific functional features. By identifying
challenges in the existing literature and outlining potential research
directions, this review significantly contributes to the advancement of
knowledge in the domain of AV trajectory prediction.
- Abstract（参考訳）: 自律走行車(AV)は、人間のドライバーを高度なコンピュータ支援による意思決定システムに置き換えることで、有望なソリューションとして登場した。
しかし、avsが道路を効果的に走行するためには、人間ドライバーの予測運転能力と同様に、近くの交通参加者の将来の行動を予測する能力を持つ必要がある。
既存の文献に基づく構築は、自動運転の文脈において、分野を前進させ、軌道予測手法の包括的な理解を深める上で不可欠である。
このニーズに対応するため,我々はavsの軌道予測法に着目し,深層学習や強化学習に基づくアプローチを含む機械学習技術に注目した総合的なレビューを行った。
AVの文脈における軌道予測に関する200以上の研究を幅広く検討した。
本稿は、車両軌道の予測に関する一般的な問題の導入から始まり、主要な概念と用語の概要を概説する。
従来の手法を概観した後,いくつかの深層学習に基づく手法を総合的に評価した。
各メソッドは簡潔に要約され、その強みと弱みを詳細に分析する。
この議論はさらに強化学習に基づく手法にまで拡張された。
本稿では,軌道予測タスクで一般的に使用される各種データセットと評価指標についても検討する。
偏見のない客観的な議論を行ない、特定の機能的特徴を考慮した2つの主要な学習プロセスを比較する。
既存の文献の課題を特定し,潜在的研究の方向性を概説することにより,AV軌道予測領域における知識の進歩に大きく貢献する。
関連論文リスト
- Human Action Anticipation: A Survey [86.415721659234]
行動予測に関する文献は、行動予測、活動予測、意図予測、目標予測など、様々なタスクにまたがる。
我々の調査は、この断片化された文献を結びつけることを目的としており、最近の技術革新とモデルトレーニングと評価のための新しい大規模データセットの開発をカバーしています。
論文 参考訳（メタデータ） (2024-10-17T21:37:40Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - End-to-end Autonomous Driving using Deep Learning: A Systematic Review [0.0]
エンドツーエンドの自律運転(End-to-end autonomous driving)は、センサーの入力データやその他のメタデータを事前情報として取り込み、エゴ車の制御信号や計画された軌跡を直接出力する、完全に微分可能な機械学習システムである。
本稿では, 物体検出, セマンティックシーン理解, 物体追跡, 軌道予測, 軌道計画, 車両制御, 社会行動, コミュニケーションなど, 最新の機械学習技術をすべて体系的に検証し, このエンドツーエンドのタスクを実行する。
論文 参考訳（メタデータ） (2023-08-27T17:43:58Z) - Recent Advancements in End-to-End Autonomous Driving using Deep
Learning: A Survey [9.385936248154987]
エンド・ツー・エンドの運転は、モジュラーシステムに関連する欠点を回避するため、有望なパラダイムである。
エンド・ツー・エンド自動運転の最近の進歩は分析され、基礎原理に基づいて研究が分類される。
本稿では,最先端の評価,課題の特定,今後の可能性を探る。
論文 参考訳（メタデータ） (2023-07-10T07:00:06Z) - Traffic Prediction using Artificial Intelligence: Review of Recent
Advances and Emerging Opportunities [2.5199066832791535]
本調査は,交通予測手法の概要を概観することを目的としている。
具体的には、人工知能(AI)に基づく交通予測手法の最近の進歩と新たな研究機会に焦点を当てる。
論文 参考訳（メタデータ） (2023-05-31T06:25:19Z) - Multi-Vehicle Trajectory Prediction at Intersections using State and
Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。
この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。
この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文 参考訳（メタデータ） (2023-01-06T15:13:23Z) - Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。
この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文 参考訳（メタデータ） (2022-11-01T11:07:37Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。
後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
論文 参考訳（メタデータ） (2020-12-02T15:56:11Z) - Deep Learning on Traffic Prediction: Methods, Analysis and Future
Directions [32.25707921285397]
本稿では,複数の観点からの交通予測における深層学習に基づくアプローチに関する包括的調査を行う。
まず,既存の交通予測手法を要約し,分類について述べる。
第2に、異なるトラフィック予測アプリケーションにおける最先端のアプローチをリストアップする。
論文 参考訳（メタデータ） (2020-04-18T08:28:10Z) - 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)
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。