論文の概要: CPSOR-GCN: A Vehicle Trajectory Prediction Method Powered by Emotion and
Cognitive Theory
- arxiv url: http://arxiv.org/abs/2311.08086v1
- Date: Tue, 14 Nov 2023 11:13:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 14:27:09.205673
- Title: CPSOR-GCN: A Vehicle Trajectory Prediction Method Powered by Emotion and
Cognitive Theory
- Title(参考訳): CPSOR-GCN:感情・認知理論による車両軌道予測手法
- Authors: L. Tang, Y. Li, J. Yuan, A. Fu, J. Sun
- Abstract要約: 本稿では,新しい軌道予測モデルCPSOR-GCNを提案する。
物理的レベルでは、車両間の相互作用特徴は、物理GCNモジュールによって抽出される。
認知レベルでは、SOR認知理論は、動的ベイズネットワーク(DBN)構造を構築するための事前知識として用いられる。
- 参考スコア(独自算出の注目度): 0.07499722271664144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Active safety systems on vehicles often face problems with false alarms. Most
active safety systems predict the driver's trajectory with the assumption that
the driver is always in a normal emotion, and then infer risks. However, the
driver's trajectory uncertainty increases under abnormal emotions. This paper
proposes a new trajectory prediction model: CPSOR-GCN, which predicts vehicle
trajectories under abnormal emotions. At the physical level, the interaction
features between vehicles are extracted by the physical GCN module. At the
cognitive level, SOR cognitive theory is used as prior knowledge to build a
Dynamic Bayesian Network (DBN) structure. The conditional probability and state
transition probability of nodes from the calibrated SOR-DBN quantify the causal
relationship between cognitive factors, which is embedded into the cognitive
GCN module to extract the characteristics of the influence mechanism of
emotions on driving behavior. The CARLA-SUMO joint driving simulation platform
was built to develop dangerous pre-crash scenarios. Methods of recreating
traffic scenes were used to naturally induce abnormal emotions. The experiment
collected data from 26 participants to verify the proposed model. Compared with
the model that only considers physical motion features, the prediction accuracy
of the proposed model is increased by 68.70%. Furthermore,considering the
SOR-DBN reduces the prediction error of the trajectory by 15.93%. Compared with
other advanced trajectory prediction models, the results of CPSOR-GCN also have
lower errors. This model can be integrated into active safety systems to better
adapt to the driver's emotions, which could effectively reduce false alarms.
- Abstract(参考訳): 車両のアクティブ安全システムは、しばしば誤報で問題に直面する。
ほとんどのアクティブな安全システムは、運転者が常に通常の感情にあると仮定して運転者の軌道を予測する。
しかし、運転者の軌道不確実性は異常な感情の下で増大する。
本稿では,異常な感情下での車両軌道を予測する新しい軌道予測モデルCPSOR-GCNを提案する。
物理的レベルでは、車両間の相互作用は物理GCNモジュールによって抽出される。
認知レベルでは、SOR認知理論は、動的ベイズネットワーク(DBN)構造を構築するための事前知識として用いられる。
調整されたSOR-DBNのノードの条件確率と状態遷移確率は、認知的GCNモジュールに埋め込まれた認知的要因間の因果関係を定量化し、運転行動に対する感情の影響メカニズムの特徴を抽出する。
carla-sumo 共同運転シミュレーションプラットフォームは危険な事前運転シナリオを開発するために構築された。
交通シーンを再現する方法は、自然に異常な感情を誘発するために用いられた。
実験は,提案モデルを検証するため,26名の被験者からデータを収集した。
物理運動特性のみを考慮したモデルと比較して,提案モデルの予測精度は68.70%向上した。
さらに、SOR-DBNを考えると、軌道の予測誤差は15.93%減少する。
他の高度な軌道予測モデルと比較して、CPSOR-GCNの結果も誤差が低い。
このモデルはアクティブな安全システムに統合され、ドライバーの感情に適応し、誤報を効果的に減らすことができる。
関連論文リスト
- Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability [12.929047288003213]
本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。
提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
論文 参考訳(メタデータ) (2023-12-19T12:56:56Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳(メタデータ) (2022-12-19T11:43:02Z) - 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) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - Driving Anomaly Detection Using Conditional Generative Adversarial
Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。
この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。
結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文 参考訳(メタデータ) (2022-03-15T22:10:01Z) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳(メタデータ) (2021-02-18T02:25:35Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z) - Beelines: Motion Prediction Metrics for Self-Driving Safety and Comfort [4.670814682436471]
動作予測が安全性に与える影響を定量化する2つの相補的指標を提案する。
我々の安全基準は、安全でない事象を特定する際の変位誤差よりもはるかに優れた信号対雑音比を有する。
論文 参考訳(メタデータ) (2020-11-01T01:09:23Z) - Driver Intention Anticipation Based on In-Cabin and Driving Scene
Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。
本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文 参考訳(メタデータ) (2020-06-20T11:56:32Z)
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。