論文の概要: Experimental Insights Towards Explainable and Interpretable Pedestrian
Crossing Prediction
- arxiv url: http://arxiv.org/abs/2312.02872v1
- Date: Tue, 5 Dec 2023 16:39:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 15:11:03.770856
- Title: Experimental Insights Towards Explainable and Interpretable Pedestrian
Crossing Prediction
- Title(参考訳): 説明可能かつ解釈可能な歩行者交叉予測への試み
- Authors: Angie Nataly Melo, Carlota Salinas and Miguel Angel Sotelo
- Abstract要約: 本研究では,深層学習とファジィ論理を組み合わせた新しいニューロシンボリックアプローチを提案する。
我々は,一連の説明可能な特徴を利用する説明可能な予測器(ExPedCross)を開発し,歩行者が横断するか否かを予測するファジィ推論システムを開発した。
その結果,歩行者横断予測課題における説明可能性と解釈可能性について実験的に考察した。
- 参考スコア(独自算出の注目度): 0.47355466227925036
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In the context of autonomous driving, pedestrian crossing prediction is a key
component for improving road safety. Presently, the focus of these predictions
extends beyond achieving trustworthy results; it is shifting towards the
explainability and interpretability of these predictions. This research
introduces a novel neuro-symbolic approach that combines deep learning and
fuzzy logic for an explainable and interpretable pedestrian crossing
prediction. We have developed an explainable predictor (ExPedCross), which
utilizes a set of explainable features and employs a fuzzy inference system to
predict whether the pedestrian will cross or not. Our approach was evaluated on
both the PIE and JAAD datasets. The results offer experimental insights into
achieving explainability and interpretability in the pedestrian crossing
prediction task. Furthermore, the testing results yield a set of guidelines and
recommendations regarding the process of dataset selection, feature selection,
and explainability.
- Abstract(参考訳): 自動運転の文脈では、歩行者の横断予測は道路の安全性を改善する重要な要素である。
現在、これらの予測の焦点は信頼できる結果を達成することにとどまらず、これらの予測の説明可能性と解釈可能性にシフトしている。
本研究では,深層学習とファジィ論理を組み合わせた新しいニューロシンボリックアプローチを提案する。
我々は,説明可能な特徴のセットを利用し,歩行者が横断するかどうかを予測するファジィ推論システムを用いた説明可能な予測器(expedcross)を開発した。
提案手法をPIEとJAADの両方のデータセットで評価した。
その結果,歩行者横断予測課題における説明可能性と解釈可能性について実験的に考察した。
さらに、テスト結果は、データセットの選択、特徴の選択、説明可能性のプロセスに関する一連のガイドラインと勧告を与えます。
関連論文リスト
- Traj-Explainer: An Explainable and Robust Multi-modal Trajectory Prediction Approach [12.60529039445456]
複雑な交通環境のナビゲーションはインテリジェントな技術の進歩によって大幅に向上し、自動車の正確な環境認識と軌道予測を可能にした。
既存の研究は、しばしばシナリオエージェントの合同推論を無視し、軌道予測モデルにおける解釈可能性に欠ける。
本研究では, 説明可能な拡散条件に基づく多モード軌道予測トラj-Explainerという, 説明可能性指向の軌道予測モデルが設計されている。
論文 参考訳(メタデータ) (2024-10-22T08:17:33Z) - Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。
モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
論文 参考訳(メタデータ) (2024-10-16T03:33:40Z) - Feature Importance in Pedestrian Intention Prediction: A Context-Aware Review [9.475536008455133]
コンピュータビジョンとディープニューラルネットワークを用いた自律走行車における歩行者横断意図の予測の最近の進歩は有望である。
歩行者の意図予測に適した新しいアプローチであるCAPFI(Context-aware Permutation Feature Importance)を導入する。
CAPFIは、細分化されたシナリオコンテキストを活用することにより、より解釈可能性と信頼性の高い特徴重要度評価を可能にする。
論文 参考訳(メタデータ) (2024-09-11T22:13:01Z) - Context-aware Multi-task Learning for Pedestrian Intent and Trajectory Prediction [3.522062800701924]
我々は,過去の軌跡観測,局所的文脈特徴,グローバルな特徴を組み合わせることで,軌跡と意図の予測を学習するPTINetを紹介する。
提案手法の有効性は, JAAD と PIE を用いて評価した。
PTINetは、都市環境で歩行者とシームレスに対話できる自動システムの開発の道を開く。
論文 参考訳(メタデータ) (2024-07-24T11:06:47Z) - 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) - Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳(メタデータ) (2024-03-10T04:16:04Z) - 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) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳(メタデータ) (2022-06-13T21:31:06Z) - Pedestrian Behavior Prediction for Automated Driving: Requirements,
Metrics, and Relevant Features [1.1888947789336193]
システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。
人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。
複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
論文 参考訳(メタデータ) (2020-12-15T16:52:49Z) - Towards Incorporating Contextual Knowledge into the Prediction of
Driving Behavior [5.345872343035626]
外部条件による予測の影響について検討する。
より正確には、横方向の動作予測に対する最先端のアプローチが、ある選択された外部条件、すなわち交通密度の影響について検討する。
本研究は,自動走行車への情報統合に向けた第一歩となる。
論文 参考訳(メタデータ) (2020-06-15T15:21:02Z)
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。