論文の概要: Connected Autonomous Vehicle Motion Planning with Video Predictions from Smart, Self-Supervised Infrastructure

• arxiv url: http://arxiv.org/abs/2309.07504v1
• Date: Thu, 14 Sep 2023 08:15:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 15:47:21.586227
• Title: Connected Autonomous Vehicle Motion Planning with Video Predictions from Smart, Self-Supervised Infrastructure
• Title（参考訳）: スマート・セルフ・スーパービジョン・インフラストラクチャによる映像予測による自律走行計画
• Authors: Jiankai Sun, Shreyas Kousik, David Fridovich-Keil, Mac Schwager
• Abstract要約: Self-Supervised Traffic Advisor (SSTA)は,道路ユーザの有用なビデオ予測の生成とブロードキャストを行うための,スマートセンサのフレームワークである。 本研究では,SSTA予測を生ビデオの代わりに将来の占有率を予測するように修正し,放送予測のデータフットプリントを削減する。 結果として得られた予測は、計画フレームワーク内で使用され、この設計がCAVモーションプランニングを効果的に支援できることを実証する。
• 参考スコア（独自算出の注目度）: 26.688202106917576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Connected autonomous vehicles (CAVs) promise to enhance safety, efficiency, and sustainability in urban transportation. However, this is contingent upon a CAV correctly predicting the motion of surrounding agents and planning its own motion safely. Doing so is challenging in complex urban environments due to frequent occlusions and interactions among many agents. One solution is to leverage smart infrastructure to augment a CAV's situational awareness; the present work leverages a recently proposed "Self-Supervised Traffic Advisor" (SSTA) framework of smart sensors that teach themselves to generate and broadcast useful video predictions of road users. In this work, SSTA predictions are modified to predict future occupancy instead of raw video, which reduces the data footprint of broadcast predictions. The resulting predictions are used within a planning framework, demonstrating that this design can effectively aid CAV motion planning. A variety of numerical experiments study the key factors that make SSTA outputs useful for practical CAV planning in crowded urban environments.
• Abstract（参考訳）: 連結自動運転車(CAV)は、都市交通の安全性、効率、持続可能性を高めることを約束する。 しかし、これは周囲のエージェントの動きを正確に予測し、自身の動きを安全に計画するcavに付随する。 複雑な都市環境において、多くのエージェント間の頻繁な閉塞と相互作用のため、そうすることは困難である。 ひとつの解決策は、スマートインフラストラクチャを活用して、CAVの状況認識を強化することだ。今回の研究では、最近提案された、道路ユーザの有用なビデオ予測の生成とブロードキャストを行うスマートセンサの“自己監視トラフィックアドバイザ(SSTA)フレームワークを活用する。 本研究では,SSTA予測を生ビデオの代わりに将来の占有率を予測するように修正し,放送予測のデータフットプリントを削減する。 結果として得られた予測は計画フレームワーク内で使用され、この設計がCAVモーションプランニングを効果的に支援できることを示す。 混雑した都市環境において,SSTA出力を実用的なCAV計画に役立てる要因について,様々な数値実験を行った。

関連論文リスト

• CASPNet++: Joint Multi-Agent Motion Prediction [2.041875623674907]
  改善されたコンテキスト認識シーン予測ネットワーク(ASPNet)であるCASPNet++を提案する。 本研究では,現場における道路利用者の協調予測を支援するために,インタラクションモデリングとシーン理解をさらに強化することに焦点を当てる。 我々は,HDマップ,レーダ検出,ライダーセグメンテーションなどの多様な環境入力源を利用するCASPNet++のスケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-08-15T13:09:33Z)
• 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)
• 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)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• What-If Motion Prediction for Autonomous Driving [58.338520347197765]
  生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。 本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。 提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
  論文  参考訳（メタデータ） (2020-08-24T17:49:30Z)
• 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)
• 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。