Fugu-MT 論文翻訳(概要): Arrival Time Prediction for Autonomous Shuttle Services in the Real World: Evidence from Five Cities

論文の概要: Arrival Time Prediction for Autonomous Shuttle Services in the Real World: Evidence from Five Cities

arxiv url: http://arxiv.org/abs/2401.05322v1
Date: Wed, 10 Jan 2024 18:41:39 GMT
ステータス: 処理完了
システム内更新日: 2024-01-11 13:57:31.199758
Title: Arrival Time Prediction for Autonomous Shuttle Services in the Real World: Evidence from Five Cities
Title（参考訳）: 実世界における自律型シャトルサービスの現地時間予測:5都市からの証拠
Authors: Carolin Schmidt, Mathias Tygesen, Filipe Rodrigues
Abstract要約: 本研究では,自律型シャトルのAT予測システムを提案する。停留所をバイパスするシャトルのケースを正確に処理するために,ランダムな森林分類器とGNNを組み合わせた階層モデルを提案する。最終的なAT予測の結果は有望であり、いくつかの停止を予測してもエラーは少ない。
参考スコア（独自算出の注目度）: 3.6294895527930504
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Urban mobility is on the cusp of transformation with the emergence of shared, connected, and cooperative automated vehicles. Yet, for them to be accepted by customers, trust in their punctuality is vital. Many pilot initiatives operate without a fixed schedule, thus enhancing the importance of reliable arrival time (AT) predictions. This study presents an AT prediction system for autonomous shuttles, utilizing separate models for dwell and running time predictions, validated on real-world data from five cities. Alongside established methods such as XGBoost, we explore the benefits of integrating spatial data using graph neural networks (GNN). To accurately handle the case of a shuttle bypassing a stop, we propose a hierarchical model combining a random forest classifier and a GNN. The results for the final AT prediction are promising, showing low errors even when predicting several stops ahead. Yet, no single model emerges as universally superior, and we provide insights into the characteristics of pilot sites that influence the model selection process. Finally, we identify dwell time prediction as the key determinant in overall AT prediction accuracy when autonomous shuttles are deployed in low-traffic areas or under regulatory speed limits. This research provides insights into the current state of autonomous public transport prediction models and paves the way for more data-informed decision-making as the field advances.
Abstract（参考訳）: 都市移動は、共有、連結、協調的な自動車両の出現とともに、変革の焦点となっている。しかし、顧客から受け入れられるためには、彼らの時間的信頼が不可欠である。多くのパイロットイニシアチブは固定スケジュールなしで運用されており、信頼性のある到着時間(AT)予測の重要性を高める。本研究は,5つの都市における実世界データに基づいて,生活時間予測と走行時間予測の別々のモデルを用いて,自律型シャトルのAT予測システムを提案する。 xgboostのような確立された手法とともに、グラフニューラルネットワーク(gnn)を用いた空間データ統合の利点を探求する。停止をバイパスするシャトルのケースを正確に処理するために,ランダムな森林分類器とGNNを組み合わせた階層モデルを提案する。予測における最終結果は有望であり、数回の停止を予測しても低いエラーを示す。しかし、単一モデルが普遍的に優れているとは限りません。我々は、モデル選択プロセスに影響を与えるパイロットサイトの特徴について洞察を与えます。最後に,低交通域や規制速度域に自律シャトルを配置した場合の予測精度の全体において,dwell time predictionが重要な決定要因であることを示す。この研究は、自律的な公共交通機関の予測モデルの現状に関する洞察を提供し、フィールドが進歩するにつれてデータインフォームによる意思決定の道を開く。

関連論文リスト

Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文参考訳（メタデータ） (2024-06-15T18:53:45Z)
Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文参考訳（メタデータ） (2024-06-12T11:50:51Z)
AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文参考訳（メタデータ） (2024-03-20T06:22:37Z)
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)
Adaptive Modeling of Uncertainties for Traffic Forecasting [33.81668910587541]
QuanTrafficは、不確実性モデリングのための任意のDNNモデルの能力を高めるための一般的なフレームワークである。 DNNモデルトレーニング中に標準量子関数を自動的に学習し、単一点予測の予測間隔を生成する。テスト入力の位置と予測ウィンドウに基づいて予測間隔を動的に調整する。
論文参考訳（メタデータ） (2023-03-16T12:56:13Z)
LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文参考訳（メタデータ） (2022-10-03T22:04:00Z)
Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文参考訳（メタデータ） (2022-09-26T13:18:32Z)
Causal-based Time Series Domain Generalization for Vehicle Intention Prediction [19.944268567657307]
交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。本稿では,車両意図予測タスクにおける領域一般化問題に対処することを目的とする。提案手法は、他の最先端領域の一般化や振る舞い予測手法と比較して、予測精度を一貫して改善する。
論文参考訳（メタデータ） (2021-12-03T18:58:07Z)
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)
Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards Generic Autonomous Vehicle Use Cases [10.41902340952981]
本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
論文参考訳（メタデータ） (2020-11-23T03:13:26Z)
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。