論文の概要: Vehicle Lane Change Prediction based on Knowledge Graph Embeddings and Bayesian Inference

• arxiv url: http://arxiv.org/abs/2312.06336v1
• Date: Mon, 11 Dec 2023 12:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 15:41:23.985089
• Title: Vehicle Lane Change Prediction based on Knowledge Graph Embeddings and Bayesian Inference
• Title（参考訳）: 知識グラフ埋め込みとベイズ推論に基づく車線変化予測
• Authors: M. Manzour, A. Ballardini, R. Izquierdo, M. A. Sotelo
• Abstract要約: 本稿では,知識グラフ(KG)を利用した言語文脈情報に基づくレーン変化の予測手法を提案する。 我々のソリューションは、対象車両のリスクを評価するために、周辺車両とのTime To Collision (TTC) を入力とする。 このモデルは、97.95% f1スコアで2秒前に車線変更を予測することができ、これは芸術の状態を上回り、93.60% f1スコアで車線変更の3秒前である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Prediction of vehicle lane change maneuvers has gained a lot of momentum in the last few years. Some recent works focus on predicting a vehicle's intention by predicting its trajectory first. This is not enough, as it ignores the context of the scene and the state of the surrounding vehicles (as they might be risky to the target vehicle). Other works assessed the risk made by the surrounding vehicles only by considering their existence around the target vehicle, or by considering the distance and relative velocities between them and the target vehicle as two separate numerical features. In this work, we propose a solution that leverages Knowledge Graphs (KGs) to anticipate lane changes based on linguistic contextual information in a way that goes well beyond the capabilities of current perception systems. Our solution takes the Time To Collision (TTC) with surrounding vehicles as input to assess the risk on the target vehicle. Moreover, our KG is trained on the HighD dataset using the TransE model to obtain the Knowledge Graph Embeddings (KGE). Then, we apply Bayesian inference on top of the KG using the embeddings learned during training. Finally, the model can predict lane changes two seconds ahead with 97.95% f1-score, which surpassed the state of the art, and three seconds before changing lanes with 93.60% f1-score.
• Abstract（参考訳）: 車両レーン変更操作の予測は、ここ数年で大きな勢いを増している。 最近のいくつかの研究は、まず軌道を予測して車両の意図を予測することに焦点を当てている。 これは不十分であり、シーンの文脈や周囲の車両の状態(標的車両に危険が及ぶ可能性があるため)を無視しているためである。 他の研究は、対象車両の周囲に存在することや、それらと対象車両の間の距離と相対速度を2つの異なる数値的特徴として考慮することで、周辺車両のリスクを評価した。 本研究では,知識グラフ(kgs)を利用して,言語的文脈情報に基づく車線変化を予測し,現在の認識システムの能力を超えた方法で予測する手法を提案する。 我々のソリューションは、対象車両のリスクを評価するために、周辺車両とのTime To Collision (TTC) を入力とする。 さらに、我々のKGは、知識グラフ埋め込み(KGE)を得るためにTransEモデルを用いて、HighDデータセットでトレーニングされている。 次に,トレーニング中に学習した埋め込みを用いて,KG上のベイズ推定を適用した。 最後に、97.95%のf1-scoreで2秒前の車線変更を予測し、93.60%のf1-scoreで車線変更を行う。

関連論文リスト

• 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)
• 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)
• 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)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Vehicle trajectory prediction in top-view image sequences based on deep learning method [1.181206257787103]
  周囲の車両の動きを推定し予測することは、自動車両と高度な安全システムにとって不可欠である。 道路の空中画像から得られた画像から学習した計算複雑性の低いモデルを提案する。 提案モデルでは, 対象車両とその周辺車両の移動履歴に関する画像を見るだけで, 自動車の将来の進路を予測できる。
  論文  参考訳（メタデータ） (2021-02-02T20:48:19Z)
• Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks [0.5399800035598186]
  本稿では,高速道路における周辺車両の車線変更時期を正確に予測するシステムの開発について述べる。 大規模な実世界のデータセットに基づく評価は、最も困難な状況であっても、我々のアプローチが信頼できる予測を行うことができることを示している。
  論文  参考訳（メタデータ） (2021-02-02T11:04:22Z)
• Video action recognition for lane-change classification and prediction of surrounding vehicles [12.127050913280925]
  レーン変更認識と予測タスクは、ビデオアクション認識問題として提示される。 コンテキストと観測地平線がパフォーマンスに与える影響を調査し、異なる予測地平線を分析します。 その結果,これらの手法が将来の車両の車線変化を予測できる可能性を明らかにした。
  論文  参考訳（メタデータ） (2021-01-13T13:25:00Z)
• The PREVENTION Challenge: How Good Are Humans Predicting Lane Changes? [0.0]
  本稿では,高速道路のシナリオにおける車線変化を予測する能力について分析する。 ユーザーは車線変更操作が行われていると考えた瞬間を示す必要がありました。 得られた結果は慎重に分析され、地上の真理ラベルと比較された。
  論文  参考訳（メタデータ） (2020-09-11T10:47:07Z)
• 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)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。