論文の概要: Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability
- arxiv url: http://arxiv.org/abs/2312.12123v1
- Date: Tue, 19 Dec 2023 12:56:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 15:41:11.667308
- Title: Probabilistic Prediction of Longitudinal Trajectory Considering Driving
Heterogeneity with Interpretability
- Title（参考訳）: 解釈可能性を考慮した運転不均一性を考慮した縦方向軌道の確率予測
- Authors: Shuli Wang, Kun Gao, Lanfang Zhang, Yang Liu, Lei Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.929047288003213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated vehicles are envisioned to navigate safely in complex mixed-traffic
scenarios alongside human-driven vehicles. To promise a high degree of safety,
accurately predicting the maneuvers of surrounding vehicles and their future
positions is a critical task and attracts much attention. However, most
existing studies focused on reasoning about positional information based on
objective historical trajectories without fully considering the heterogeneity
of driving behaviors. Therefore, this study proposes a trajectory prediction
framework that combines Mixture Density Networks (MDN) and considers the
driving heterogeneity to provide probabilistic and personalized predictions.
Specifically, based on a certain length of historical trajectory data, the
situation-specific driving preferences of each driver are identified, where key
driving behavior feature vectors are extracted to characterize heterogeneity in
driving behavior among different drivers. With the inputs of the short-term
historical trajectory data and key driving behavior feature vectors, a
probabilistic LSTMMD-DBV model combined with LSTM-based encoder-decoder
networks and MDN layers is utilized to carry out personalized predictions.
Finally, the SHapley Additive exPlanations (SHAP) method is employed to
interpret the trained model for predictions. The proposed framework is tested
based on a wide-range vehicle trajectory dataset. The results indicate that the
proposed model can generate probabilistic future trajectories with remarkably
improved predictions compared to existing benchmark models. Moreover, the
results confirm that the additional input of driving behavior feature vectors
representing the heterogeneity of driving behavior could provide more
information and thus contribute to improving the prediction accuracy.
- Abstract（参考訳）: 自動走行車は、人間の運転する車両と一緒に複雑な混成交通シナリオで安全に航行するように設計されている。
高い安全性を約束し、周囲の車両とその将来の位置の操作を正確に予測することが重要な課題であり、多くの注目を集める。
しかし、既存の研究のほとんどは、運転行動の多様性を十分に考慮せずに、客観的な歴史的軌跡に基づく位置情報の推論に焦点を当てている。
そこで本研究では,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。
具体的には、一定期間の履歴軌道データに基づいて、キー駆動行動特徴ベクトルを抽出して異なるドライバ間の運転行動の不均一性を特徴付ける、各ドライバの状況固有の運転嗜好を識別する。
短期的履歴軌跡データとキー駆動行動特徴ベクトルの入力により、LSTMベースのエンコーダデコーダネットワークとMDN層を組み合わせた確率的LSTMMD-DBVモデルを用いて、パーソナライズされた予測を行う。
最後に, SHAP法を用いて, 学習した予測モデルの解釈を行う。
提案フレームワークは,広域車両軌道データセットに基づいてテストされる。
その結果,提案手法は,既存のベンチマークモデルと比較して予測精度が著しく向上した確率論的未来軌道を生成することができることがわかった。
さらに,運転行動の不均一性を表す運転行動特徴ベクトルの追加入力により,より多くの情報を提供し,予測精度の向上に寄与することが確認された。
関連論文リスト
- FollowGen: A Scaled Noise Conditional Diffusion Model for Car-Following Trajectory Prediction [9.2729178775419]
本研究では,自動車追従軌道予測のためのスケールドノイズ条件拡散モデルを提案する。
車両間の詳細な相互作用と自動車追従ダイナミクスを生成フレームワークに統合し、予測された軌跡の精度と妥当性を向上させる。
種々の実世界の運転シナリオに関する実験結果は,提案手法の最先端性能と堅牢性を示すものである。
論文 参考訳（メタデータ） (2024-11-23T23:13:45Z) - 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) - Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。
本稿では,多エージェント軌道予測のための拡散モデルを提案する。
このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
論文 参考訳（メタデータ） (2024-03-18T10:35:15Z) - 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) - Interaction-Aware Personalized Vehicle Trajectory Prediction Using
Temporal Graph Neural Networks [8.209194305630229]
既存の手法は主に大規模なデータセットからの一般的な軌道予測に依存している。
本稿では,時間グラフニューラルネットワークを組み込んだ対話型車両軌跡予測手法を提案する。
論文 参考訳（メタデータ） (2023-08-14T20:20:26Z) - 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) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z) - 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) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳（メタデータ） (2020-09-30T20:00:11Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z)
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。